Functional data dimensionality reduction for machine learning
No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2007
Major/Subject
Computer and Information Science
Informaatiotekniikka
Informaatiotekniikka
Mcode
T-115
Degree programme
Elektroniikan ja sähkötekniikan koulutusohjelma
Language
en
Pages
51, [8]
Series
Abstract
Monimuuttuja-analyysissä korkeadimensioinen informaatio yleistyy jatkuvasti. Korkean dimension seurauksena laskenta-ajat kasvavat ja ongelmia aiheutuu myös nk. dimensionalisuuden kirouksen (curse of dimensionality) seurauksena. Tämä diplomityö koskee funktionaliseen data analyysiin perustuvaa dimensionalisuuden pienetämismenetelmää. Tässä menetelmässä korkeadimensioinen informaatio projisoidaan funktioavaruuteen jossa se voidaan kuvata yksinkertasemmassa muodossa. Funktioavaruus määritellään Gaussisten kantafunktioiden avulla, jotka on sovitetty kyseessä olevaan ongelmaan mahdollisimman hyvin. Esitetyttyä menetelmää sovelletaan kemometriaan ja aikasarjaennustukseen. Regressioon käytetään molemmissa tapauksissa pienimmän neliösumman tukivektorikonetta (Least-Squares Support Vector Machine). Koetulokset osoittavat, että dimensionalisuutta voidaan pienentää merkittävästi. Lisäksi saavutettu ennustustarkkuus on parempi tai vähintään samantasoinen verrattuna muihin yleisesti käytössä oleviin menetelmiin.High dimensional data are becoming more and more common in the field of multivariate data analysis. However, the high dimensionality is problematic due to increasing computational costs and to the curse of dimensionality. This thesis concerns dimensionality reduction method that is based on Functional Data Analysis. High dimensional data are projected on a function space where it can be expressed in more compact form. The functions space is defined by a set of Gaussian basis functions that are specially adjusted to suit the problem at hand. The methodology is tested in two applications, chemometrics and time series prediction, using Least-Squares Support Vector Machines for regression. The experiential results indicate that data dimension can be dramatically reduced. And what is more, the prediction accuracy is clearly better or at least equivalent compared to other commonly used methods.Description
Supervisor
Simula, Olli; Prof.Thesis advisor
Lendasse, Amaury; Dos.Keywords
dimensionality reduction, functional data analysis, chemometrics, time series prediction, dimension pienentäminen, funktionaalinen data-analyysi, kemometria, aikasarjaennustus
