የመጠን ቅነሳ
የልኬት ቅነሳ ውሂቡን ከብዙ አምዶች (ባህሪያት) ወደ ጥቂቶች ይቀንሳል አስፈላጊ መዋቅሩን እየጠበቀ።
አጠቃላይ እይታ
It fights the 'curse of dimensionality,' speeds up models, and lets you actually visualize complex data in 2D or 3D.
ጥልቅ ዳይቭ
እውነተኛ የውሂብ ስብስቦች ብዙ ጊዜ በመቶዎች ወይም በሺዎች የሚቆጠሩ ባህሪያት አሏቸው፡ እያንዳንዱ ፒክሰል በምስል፣ እያንዳንዱ ቃል በቃላት፣ እያንዳንዱ በማሽን ላይ ያለ ዳሳሽ። በእንደዚህ አይነት ከፍተኛ-ልኬት ቦታዎች ውስጥ የመረጃ ነጥቦቹ ትንሽ እና በጣም የተራራቁ ይሆናሉ, የርቀት መለኪያዎች አስተማማኝ አይደሉም, እና ሞዴሎች ከመጠን በላይ ጫጫታ ይፈጥራሉ. ይህ የልኬት እርግማን ነው። ልኬት መቀነስ ትርጉም ያላቸው ግንኙነቶችን በመጠበቅ ውሂቡን ወደ እጅግ ያነሰ ልኬቶች ያዘጋጃል። PCA ይህን የሚያደርገው ከፍተኛ ልዩነት ያላቸውን አቅጣጫዎች በማግኘት ነው። t-SNE እና UMAP መስመር ላይ ያልሆኑ እና ለዕይታ ክላስተር በማሳየት የላቀ ናቸው። ልኬቶችን መቀነስ ተደጋጋሚ ወይም ጫጫታ ባህሪያትን ያስወግዳል፣ ማህደረ ትውስታን እና ስሌትን ይቆርጣል እና ብዙውን ጊዜ የታችኛውን ተፋሰስ ሞዴል ትክክለኛነት ያሻሽላል ምክንያቱም እሱን ለማደናገር አስፈላጊ ያልሆነ ምልክት አለ።
ቴክኒካዊ ግንዛቤ
PCA የሚሠራው የባህሪያቱን ተመሳሳይነት በማስላት እና ከፍተኛ ልዩነት ያላቸውን አቅጣጫዎች የሚጠቁሙትን eigenvectors፣ 'ዋና አካላትን' በማግኘት ነው። በጣም ጥቂት ክፍሎችን እና የፕሮጀክት ውሂብን በእነሱ ላይ ያስቀምጣቸዋል, በአብዛኛው ጫጫታ የሆኑትን ዝቅተኛ ልዩነት አቅጣጫዎችን ይጥላሉ. t-SNE እና UMAP ይልቁንስ የጎረቤት ግንኙነቶችን ሞዴል ይሳሉ፡ ከፍተኛ መጠን ያላቸው ቅርበት ያላቸውን ነጥቦች በዝቅተኛ ካርታው ላይ ለማስያዝ ይሞክራሉ። UMAP በአቅራቢያ ያሉ ነጥቦችን ግራፍ ይገነባል፣ ይህም ከ t-SNE የበለጠ ፈጣን ያደርገዋል እና ሰፋ ያለ አለምአቀፍ መዋቅርን በመጠበቅ ላይ።
ስልታዊ ተጽእኖ
ግልጽ ውሳኔዎች
ግልጽ ቴክኒካዊ የይገባኛል ጥያቄዎችን ከገበያ ቋንቋ እንዲለዩ ያግዝዎታል።
ወጪ እና በጀት
ገንዘብን ወይም ጊዜን ከማጥፋትዎ በፊት የተሻሉ የትግበራ ጥያቄዎችን መጠየቅ ይችላሉ።
ቡድን እና የስራ ፍሰት
የጋራ ግንዛቤ ያላቸው ቡድኖች የተሻለ ምርት፣ ፖሊሲ እና የመማር ውሳኔዎችን ያደርጋሉ።
የልኬት ቅነሳ የወደፊት
የመጠን ቅነሳ አሁን ራሱን የቻለ ተግባር ሳይሆን በትልልቅ የኤአይአይ ቧንቧዎች ውስጥ የተለመደ እርምጃ ነው። መሐንዲሶች አንድ ሞዴል የተማረውን ለመፈተሽ በሺዎች የሚቆጠሩ ልኬቶችን ወደ 2D ካርታ በሚያዘጋጁበት UMAP ከትልቅ ቋንቋ እና የእይታ ሞዴሎች ውስጥ መክተትን ለማሰስ ነባሪው ሆኗል። በይነተገናኝ ዳሽቦርዶች፣ በፈጣን በጂፒዩ የተጣደፉ ትግበራዎችን በቢሊየን ረድፍ ዳታሴቶች እና በትርጓሜ ስራ ላይ ጥቅም ላይ ማዋልን፣ ተመራማሪዎች የአንድን ሞዴል ባህሪ ለመረዳት እና ለማረም ያለውን ውስጣዊ እንቅስቃሴ በሚቀንሱበት ጊዜ ጥብቅ ውህደትን ይጠብቁ።
የእውነተኛ-ዓለም አተገባበር
የትኛዎቹ የአብነት ፅንሰ-ሀሳቦች አንድ ላይ ሆነው ለማየት ቃል ወይም ዓረፍተ ነገር ከቋንቋ ሞዴል በ2D ከUMAP ጋር ማቀድ።
የበሽታ ንኡስ ዓይነቶችን ከመሰብሰብዎ በፊት በሺዎች የሚቆጠሩ የጂን-መግለጫ መለኪያዎችን በአንድ ታካሚ ወደ ጥቂት ክፍሎች ማተም
ወደ ክላሲፋየር ከመመገብዎ በፊት የምስል ባህሪያትን መቀነስ ስለዚህ ስልጠና ፈጣን እና ከመጠን በላይ ለመገጣጠም የተጋለጠ ነው።
የደንበኞችን ባህሪ በመቶዎች በሚቆጠሩ መለኪያዎች ላይ እንደ 2D መበታተን የተለያዩ የገበያ ክፍሎችን መለየት
አደጋዎች እና የጥበቃ መንገዶች
የተለያዩ ቡድኖች ተመሳሳይ ቃል በተለያየ መንገድ ሊጠቀሙ ይችላሉ፣ ስለዚህ ወሰንን ቀደም ብለው ይግለጹ።
የገሃዱ ዓለም አፈጻጸም ያልተስተካከለ ሆኖ ሳለ ማመሳከሪያዎች ጠንካራ ሊመስሉ ይችላሉ።
የውሂብ ጥራት እና የግምገማ እቅዶችን ችላ ማለት ብዙውን ጊዜ ደካማ ውጤቶችን ይፈጥራል.
የትግበራ ፍኖተ ካርታ
የሚፈልጉትን ውጤት በግልፅ ቋንቋ ትርጉም ይጀምሩ።
ከመሞከርዎ በፊት አንድ የስኬት መለኪያ እና አንድ የውድቀት ሁኔታ ይምረጡ።
አንድ ትንሽ አብራሪ በተወካይ ውሂብ ያሂዱ እንጂ የተጣራ ማሳያ ስብስብ አይደለም።
ልኬት ቅነሳ የሚረዳበት እና ቀላል ዘዴዎች የተሻሉበት ሰነድ።
ማሰስዎን ይቀጥሉ
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Dimensionality Reduction quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
ባሎው መንትዮች እና የድግግሞሽ ቅነሳ
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is Dimensionality Reduction?
የልኬት ቅነሳ ውሂቡን ከብዙ አምዶች (ባህሪያት) ወደ ጥቂቶች ይቀንሳል አስፈላጊ መዋቅሩን እየጠበቀ። እሱ 'የልኬት እርግማን'ን ይዋጋል፣ ሞዴሎችን ያፋጥናል፣ እና ውስብስብ ውሂብን በ2D ወይም 3D በትክክል እንዲያዩ ያስችልዎታል።
'የመለኪያ እርግማን' ምንድን ነው?
በጣም ከፍተኛ መጠን ባላቸው ቦታዎች ላይ ነጥቦቹ በጣም የተራራቁ እና የርቀት እርምጃዎች ይከፋፈላሉ, ስለዚህ ሞዴሎች ቅጦችን ለማግኘት ይታገላሉ እና ከመጠን በላይ የመገጣጠም አዝማሚያ አላቸው.
PCA የትኞቹን አቅጣጫዎች መጠበቅ እንዳለበት እንዴት ይወስናል?
PCA ዋና ዋና ክፍሎችን፣ ከፍተኛ ልዩነት ያላቸውን መጥረቢያዎችን ያገኛል፣ እና ከፍተኛውን ያስቀምጣቸዋል ምክንያቱም ብዙ መረጃ ስለሚይዙ።
PCA ለምን 'መስመራዊ' ዘዴ ይባላል?
እያንዳንዱ ዋና አካል የዋናዎቹ ባህሪያት መስመራዊ ጥምረት ነው፣ ስለዚህ PCA በ t-SNE ወይም UMAP መንገድ የተጠማዘዘ፣ ቀጥተኛ ያልሆነ መዋቅር መያዝ አይችልም።
በተለይ t-SNE እና UMAP በምን ላይ ጥሩ ናቸው?
ሁለቱም በዝቅተኛ-ልኬት ካርታ ውስጥ በአቅራቢያ ያሉ ነጥቦችን የሚያስቀምጡ መደበኛ ያልሆኑ ቴክኒኮች ናቸው፣ ይህም ዘለላዎችን በ2D ወይም 3D ይታያሉ።