FAQ - Cosa è la Maledizione della Dimensionalità

#machinelearning #pollowatzlawick #faq

Domande e risposte dai social per il Pollo Watzlawick:
Cosa è la maledizione della dimensionalità?

00:00 Maledizione della dimensionalità
03:10 Intuizione geometrica
07:42 Riduzione della dimensionalità
09:47 Deep learning e compressione

La mia reazione al video di Mr RIP:

TUTTE LE FAQ:

PLAYLIST SU PANDAS:

PLAYLIST SU MACHINE LEARNING IN PYTHON:

================================================
Corsi avanzati del Pollo Watzlawick:
================================================
Per formazione e consulenza sulla data science contattami:
================================================

[visionariorg]

Ottimo modo dì spiegarlo in modo molto semplice 🔝

[Rik-nx]

ciao Piero grazie mille per la spiegazione! Faccio una domanda da ignorante: esiste una sorta di "rapporto ottimale" che mi permetta di avere un'idea di quanti dati sarebbe meglio avere in funzione di quante features ho per mantenere una densità decente e far lavorare meglio l'algoritmo di apprendimento? Mi spiego meglio con un esempio: ho un dataset con 60 features e circa 16000 records, c'è un modo per capire se i dati sono sufficienti per il numero di features che ho oppure sarebbe meglio ridurne il numero? Grazie mille

[giusepperandazzo]

Ciao Piero, tralasciando per un attimo il discorso ML....per il deep learning o RL, è meglio avere tante features di modo che la rete in automatico vada poi a "scegliersi" quelle che la fanno attivare meglio, oppure anche qui avere troppe features può diventare un problema in un qualche modo?

[damiano]

Come leghi la curse of dimensionality all'overfitting?

[andreacorvaglia]

Salve Piero,
segnalo un'altra maledizione della dimensionalità: l'overfitting spaventoso della Linear Regression quando hai troppe feature rispetto ai campioni.
Vengono delle metriche spettacolari sul train e vergognose sul test!

[SportyxChannel]

ciao pietro, ottimo video! per quanto riguarda la pc, è possibile, una volta fatta, tornare a sapere quelle che sono le variabili originali che compongono ogni componente/variabile nuova? grazie!