Reducing Dimensionality from Dimensionality Reduction Techniques

Dans l’attente du papier annoncé quelques rudiments de principes de la méthode exposé par l’auteur
▻https://www.reddit.com/r/MachineLearning/comments/6m9rlk/p_umap_uniform_manifold_approximation_and

(j’ai pas tout compris…)

En attendant, une explication détaillée des autres algorithmes #tSNE, #PCA et #AutoEncoding :
▻https://medium.com/towards-data-science/reducing-dimensionality-from-dimensionality-reduction-techniques-f658aec24df
(j’ai ajouté un notebook UMAP en commentaire)

#merci !
Excellente présentation. Je découvre et ça me laisse… #perplexe. Je veux dire, bien sûr, qu’il me faut bien choisir mon niveau de #perplexité :-D

d’autres algos sont possibles :)

https://raw.githubusercontent.com/lmcinnes/umap/master/images/iris.png

j’en ai collecté 4 ici
▻https://gist.github.com/Fil/e0ecb37c181b7c960a33316375f0a002

Ah ouais ! t’as bien continué à bosser sur les législatives 2017 !
Mais il y a des résultats qui sont un peu strange… (cf. UMAP) il y a (beaucoup) de boulot pour l’interprétation, j’ai l’impression.

GTM est sympa aussi :
▻https://ugtm.readthedocs.io/en/latest/visualization_examples.html