ML.NET: впечатления от Model Builder и не только

[Dark_Daiver]

например SVD или PCA.

Мммм, а есть ли между ними разница? По крайней мере с точки зрения критерия отбора информации SVD и PCA должны быть эквивалентны, разве нет?

[QtRoS]

Насколько я помню, PCA это более высокоуровневое понятие, и в частном случае может быть реализован через SVD. Я больше практик, поэтому приведу цитаты из документации; у sklearn.decomposition.PCA значится:

Linear dimensionality reduction using Singular Value Decomposition of the data to project it to a lower dimensional space. The input data is centered but not scaled for each feature before applying the SVD.

а у sklearn.decomposition.TruncatedSVD:

Contrary to PCA, this estimator does not center the data before computing the singular value decomposition. This means it can work with scipy.sparse matrices efficiently.

[CrazyElf]

С точки зрения практики PCA вроде как лучше разделяет данные, но зато, как указано выше в цитате, TruncatedSVD может работать с разреженными матрицами, что иной раз очень экономит память и там, где PCA просто не может переварить данные, TruncatedSVD спокойно справляется. А разреженные матрицы гигантских размеров встречаются не так уж и редко — например, при обработке текстов в виде «мешка слов».