Dimensionalitätsreduktion

Dimensionalitätsreduktion ist ein Verfahren, bei dem hochdimensionale Daten in eine kleinere Anzahl von Variablen transformiert werden, um die wichtigsten Informationen zu erhalten und den Informationsverlust zu minimieren. Methoden wie die Hauptkomponentenanalyse (PCA) oder die Faktorenanalyse identifizieren dabei neue, nicht korrelierte Variablen oder latente Faktoren, die die Struktur der Daten zusammenfassen. (vgl. Andrae 2023, S. 21 f.)

Beispiel: Analyse von Kundendaten in einem Onlineshop: Statt Hunderte von Merkmalen wie Klickverhalten, Kaufhistorie oder Produktbewertungen einzeln zu betrachten, kann die Hauptkomponentenanalyse (PCA) die wichtigsten Muster extrahieren, z. B. „Interesse an Elektronik“ oder „Preisbewusstsein“. Diese wenigen Hauptkomponenten fassen die Informationen zusammen und erleichtern die anschließende Segmentierung oder Vorhersage von Kaufentscheidungen.

Andrae, S. (2023): Ökonometrie und maschinelles Lernen. Basiswissen für Ökonomen. Wiesbaden: Springer Gabler