Zadeh, Feature extraction, foundations and applications, Springer, 2006.
Zjawisko to stanowi poważną przeszkodę dla efektywności algorytmów eksploracji danych, analizy numerycznej, badań statystycznych, kombinatoryki oraz uczenia maszynowego.
Występowanie Funkcja odległości Dla różnych typów rozkładów losowych zbiorów danych różnica między najmniejszą a największą odległością pomiędzy zbiorami staje się nieznaczącą w porównaniu do najmniejszej odległości, gdy zwiększa się miara d (innymi słowy: najmniejsze i największe odległości różnią się tylko stosunkowo niewielkim wielkościami), a zatem wyniki funkcji odległości i algorytmów na nich opartych), przestają być użyteczne dla rozkładów w przestrzeniach wielowymiarowych.
Można to przedstawić za pomocą poniższego wzoru:
Najnowsze badania sugerują jednak że tylko „nieistotne” wymiary powodują ten efekt.
Jeżeli atrybuty są skorelowane, dane mogą stać się czytelniejsze i zapewnią wyższy kontrast a odległość i stosunek sygnału do szumu będą odpowiednie, oznacza to że, cecha powinna zostać uwzględniona.
Rozpoznawanie wzorców W probabilistycznych problemach rozpoznawania istnieją dwie sytuacje, w których przekleństwo wymiarowości można przezwyciężyć :