?
Алгоритм Laplacian Eigenmaps для точек вне обучающей выборки
Методы снижения размерности позволяют заменить многомерные описания данных на их низкоразмерные аналоги почти без потери информации, что способно упростить построение моделей по ним в рамках машинного обучения. Как правило, программные реализации алгоритмов снижения размерности строят лишь низкоразмерные описания для точек из обучающих выборок. Однако для последующего решения задач классификации и регрессии важно уметь строить вложение для новых точек вне обучающей выборки (out-of-sample extension), не перестраивая заново всю модель. В статье записан алгоритм расширения алгоритма Laplacian Eigenmaps на точки вне обучающей выборки. Он реализован авторами в виде публичной ветки библиотеки scikit-learn. Для демонстрации качества работы кода проведен вычислительный эксперимент.