তত্ত্বাবধানের মাত্রিকতা হ্রাসের সবচেয়ে স্ট্যান্ডার্ড লিনিয়ার পদ্ধতিটিকে লিনিয়ার বৈষম্যমূলক বিশ্লেষণ (এলডিএ) বলা হয়। এটি নিম্ন-মাত্রিক প্রক্ষেপণ সন্ধানের জন্য ডিজাইন করা হয়েছে যা শ্রেণি বিচ্ছেদকে সর্বাধিক করে তোলে। আপনি আমাদের বৈষম্যমূলক-বিশ্লেষণ ট্যাগের অধীনে এবং যেকোন মেশিন লার্নিং পাঠ্যপুস্তকে যেমন নিখরচায়ভাবে পরিসংখ্যানগত শিক্ষার উপাদানসমূহ অবলম্বন করতে পারেন সে সম্পর্কে আপনি প্রচুর তথ্য পেতে পারেন ।
এখানে একটি ছবি যা আমি এখানে দ্রুত গুগল অনুসন্ধানের সাথে পেয়েছি ; এটি যখন ডেটাসেটে দুটি শ্রেণি রয়েছে (উত্সাহ আমার দ্বারা যুক্ত করা হয়েছে) তখন এটি একটি মাত্রিক পিসিএ এবং এলডিএ অনুমান দেখায়:
আর একটি পদ্ধতির নাম আংশিক সর্বনিম্ন স্কোয়ার (পিএলএস)। ডামি ভেরিয়েবল এনকোডিং গ্রুপ লেবেলের সাথে সর্বাধিক পারস্পরিক সম্পর্ক থাকার প্রক্ষেপণের সন্ধানের জন্য এলডিএকে ব্যাখ্যা করা যেতে পারে (এই অর্থে এলডিএকে ক্যানোনিকাল পারস্পরিক সম্পর্ক বিশ্লেষণের একটি বিশেষ ক্ষেত্রে হিসাবে দেখা যেতে পারে)। বিপরীতে, পিএলএস গ্রুপ লেবেলের সাথে সর্বাধিক সমবায় থাকার অনুমানগুলির সন্ধান করে। যেখানে এলডিএ কেবলমাত্র দুটি গ্রুপের ক্ষেত্রে 1 অক্ষ উত্পন্ন করে (উপরের চিত্রের মতো), পিএলএস হ্রাসমান কোভেরিয়েন্সের দ্বারা অর্ডারযুক্ত অনেকগুলি অক্ষ খুঁজে পাবে। মনে রাখবেন যে ডেটাসেটে যখন দুটিরও বেশি গোষ্ঠী উপস্থিত রয়েছে, তখন পিএলএসের বিভিন্ন "স্বাদ" রয়েছে যা কিছুটা আলাদা ফলাফল আনবে।
আপডেট (2018)
এই উত্তরটি প্রসারিত করার জন্য আমার সময় পাওয়া উচিত; এই থ্রেডটি জনপ্রিয় বলে মনে হচ্ছে তবে উপরে আমার মূল উত্তরটি খুব সংক্ষিপ্ত এবং যথেষ্ট বিশদ নয়।
এর মধ্যে আমি নেবুরহুড উপাদান বিশ্লেষণ উল্লেখ করব - একটি লিনিয়ার পদ্ধতি যা প্রজেকশনকে সর্বাধিক করে -নিকটস্থ-প্রতিবেশীদের শ্রেণিবদ্ধকরণের নির্ভুলতা খুঁজে পায় । নিউরাল নেটওয়ার্কগুলি ব্যবহার করে একটি অনৈখিক জেনারালাইজেশন রয়েছে, ক্লাস নেবারহুড স্ট্রাকচার সংরক্ষণ করে একটি ননলাইনার এম্বেডিং শেখা দেখুন । কেউ বাটলনেকের সাথে নিউরাল নেটওয়ার্ক শ্রেণিবদ্ধও ব্যবহার করতে পারেন, তদারকি করা মাত্রা হ্রাসে ডিপ বোতলেনেক ক্লাসিফায়ারগুলি দেখুন ।k