Comprehensive Analysis on Feature Selection and Dimensionality Reduction in Big Data
Rattachement africain : in, iq. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
From the past few years, massive volumes of structured, semi-structured and unstructured data are generated across various domains like healthcare, Internet of Things (IoT), finance and multimedia. Removing or ignoring irrelevant attributes from the data reduces the burden on Machine Learning (ML) algorithms. Traditional approaches faced challenges like handling high-dimensional data, scalability issues, limited interpretability, noise, outliers and curse of dimensionality. The need for effective feature selection and dimensionality reduction method improves the model performance by reducing computational costs and enhancing interpretability. In this survey, recent technological approaches based on ML and Deep Learning (DL) are explored for feature selection and dimensionality reduction in big data analytics. The approaches like Principal Component Analysis (PCA), t-distributed Stochastic Neighbour Embedding (t-SNE) and autoencoders efficiently reduce the dimensionality of high-dimensional data from the ImageNet dataset when compared with traditional approaches. The outcome illustrates that ML and DL techniques in this survey are well suited for feature selection and dimensionality reduction in big data analysis, especially in large-scale datasets like ImageNet.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Comprehensive Analysis on Feature Selection and Dimensionality Reduction in Big Data
- Date Crossref
- 25/04/2025
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Indira Gandhi Institute of Technology pays non établi dans la noticeUniversité ou école supérieure
-
Iraqi University pays non établi dans la noticeUniversité ou école supérieure
-
Nitte Meenakshi Institute of Technology pays non établi dans la noticeUniversité ou école supérieure
-
Lovely Professional University pays non établi dans la noticeUniversité ou école supérieure
-
The Islamic University pays non établi dans la noticeUniversité ou école supérieure
-
Bannari Amman Institute of Technology pays non établi dans la noticeStructure de recherche
Indira Gandhi Institute of Technology, Iraqi University et Nitte Meenakshi Institute of Technology, avec 3 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.