Waarom is dit belangrijk?
Onderzoekers kunnen dankzij dimensionaliteitsreductie verborgen patronen in omvangrijke meetreeksen zichtbaar maken en metingen indelen in herkenbare groepen. In medisch onderzoek gebeurt dat bij lichaamsscans, registraties van hersenactiviteit en metingen van eiwitten in het lichaam. Voor studie en werk ontstaat zo een overzichtelijker beeld van medische metingen, maar er is nog geen aanpak die voor elk soort meting even goed werkt.
Zo werkt het in de praktijk
Bij Bosch Termotecnologia in Aveiro verkleint dimensionaliteitsreductie de meetset uit de eindtest van cv-ketels. Een model bepaalt daarna of de ketel slaagt. In de sterrenkunde houdt niet-negatieve matrixfactorisatie alleen positieve waarden in beelden van schijven rond sterren, om exoplaneten te zoeken.
Onderzoekers van de Universiteit van Aveiro vergelijken vormen van dimensionaliteitsreductie op data van een productielijn. Zij meten of een model sneller een uitslag geeft. Zij letten daarbij ook op de nauwkeurigheid van dat model.
In het trainen van computermodellen gebeurt dimensionaliteitsreductie bij de voorbereiding van data. Teams geven kenmerken een score, of testen ze samen met het model. Het pakket scikit-learn bevat daarvoor functies zoals hoofdcomponentenanalyse, een methode die variabelen samenvat.




