Análisis del impacto de las medidas de distancia en técnicas de reducción de la dimensionalidad

Abstract

[Resumen]: Debido a que la gran cantidad de datos generada por empresas, instituciones y usuarios es cada vez mayor, múltiples veces es necesario lidiar con conjuntos de datos con elevado número de características, lo que hace que las técnicas de reducción de la dimensión cobren cada vez mayor importancia. En este proyecto se va a analizar el rendimiento de diferentes medidas de distancia en técnicas de reducción de la dimensión, en concreto, en Principal Component Analysis (PCA), t-Distributed Stochastic Neighbor Embedding (t-SNE) y Uniform Manifold Approximation and Projection (UMAP). El objetivo es observar como afectan estas medidas de distancia tanto en la visualización como en la clasificación del conjunto de datos. Se va a establecer como baseline la distancia euclídea y se va a comparar con resultados obtenidos con otras métricas como Canberra, correlación, Minkowski o coseno.

[Abstract]:Due to the large amount of data generated by companies, institutions and users, it is often necessary to deal with data sets with a high number of features, which makes dimension reduction techniques increasingly important. In this project, the performance of different distance measures in dimension reduction techniques will be analyzed, specifically, in Principal Component Analysis (PCA), t-Distributed Stochastic Neighbor Embedding (t-SNE) and Uniform Manifold Approximation and Projection (UMAP). The objective is to observe how these distance measures affect both the visualization and the classification of the data set. The euclidean distance will be established as a baseline and it will be compared with results obtained with other metrics such as Canberra, correlation, Minkowski or cosine.