Dimension Reduction Techniques in Morhpometrics

Abstract

Tato práce se zabývá aplikací metod redukce dimenze v antropologii a morfometrii. Zejména se sousteuje na nelinearní metody redukce dimenze. Práce zavádí nový postup nazývaný multipass redukce dimenze. Ukážeme, že pomocí multipass redukce dimenze lze vylepšit výsledky klasifikace a snížit počet dimenzí nutných pro klasifikaci pomocí klastrování.

This thesis centers around dimensionality reduction and its usage on landmark-type data which are often used in anthropology and morphometrics. In particular we focus on non-linear dimensionality reduction methods - locally linear embedding and multidimensional scaling. We introduce a new approach to dimensionality reduction called multipass dimensionality reduction and show that improves the quality of classification as well as requiring less dimensions for successful classification than the traditional singlepass methods.