Boyut Azaltma
Boyut azaltma, önemli yapıyı korurken birçok sütundaki (özellik) verileri birkaç taneye küçültür.
Genel Bakış
It fights the 'curse of dimensionality,' speeds up models, and lets you actually visualize complex data in 2D or 3D.
Derin Dalış
Gerçek veri kümeleri genellikle yüzlerce veya binlerce özelliğe sahiptir: bir görüntüdeki her piksel, bir sözlükteki her kelime, bir makinedeki her sensör. Bu tür yüksek boyutlu alanlarda veri noktaları seyrekleşir ve birbirinden uzaklaşır, mesafe ölçümleri güvenilmez hale gelir ve modeller gürültüye aşırı uyum sağlama eğilimindedir. Bu boyutluluğun lanetidir. Boyut azaltma, anlamlı ilişkileri korurken verileri çok daha az boyuta eşler. PCA bunu en büyük varyansın yönlerini bularak doğrusal olarak yapar. t-SNE ve UMAP doğrusal değildir ve görselleştirme için kümeleri ortaya çıkarmada mükemmeldir. Boyutları azaltmak, gereksiz veya gürültülü özellikleri ortadan kaldırır, belleği ve hesaplamayı keser ve genellikle alt modelin doğruluğunu artırır çünkü onu karıştıracak daha az alakasız sinyal vardır.
Teknik Bilgi
PCA, özelliklerin kovaryansını hesaplayarak ve maksimum varyansın yönlerini gösteren 'temel bileşenler' olan özvektörleri bularak çalışır. En üstteki birkaç bileşeni tutarsınız ve verileri onlara yansıtarak çoğunlukla gürültü olan düşük varyanslı yönleri atarsınız. t-SNE ve UMAP bunun yerine komşu ilişkilerini modeller: yüksek boyutlarda yakın olan noktaları düşük boyutlu haritada yakın tutmaya çalışırlar. UMAP, yakındaki noktaların bir grafiğini oluşturur, bu da onu t-SNE'den daha hızlı ve daha geniş küresel yapıyı korumada daha iyi hale getirir.
Stratejik Etki
Daha net kararlar
Açık teknik iddiaları pazarlama dilinden ayırmanıza yardımcı olur.
Maliyet ve bütçe
Para veya zaman harcamadan önce daha iyi uygulama soruları sorabilirsiniz.
Ekip ve iş akışı
Ortak anlayışa sahip ekipler daha iyi ürün, politika ve öğrenme kararları verir.
Boyut Azaltımının Geleceği
Boyut azaltma artık bağımsız bir görev yerine daha büyük yapay zeka ardışık düzenlerinde rutin bir adımdır. UMAP, mühendislerin bir modelin ne öğrendiğini incelemek için binlerce boyutu 2 boyutlu bir haritaya yansıttığı büyük dil ve görüntü modellerinden yerleştirmeleri araştırmak için büyük ölçüde varsayılan haline geldi. Etkileşimli kontrol panelleriyle daha sıkı entegrasyon, milyar satırlık veri kümeleri için daha hızlı GPU hızlandırmalı uygulamalar ve araştırmacıların, davranışını anlamak ve hatalarını ayıklamak için bir modelin dahili aktivasyonlarını azalttığı yorumlanabilirlik çalışmalarında artan kullanım bekleyebilirsiniz.
Gerçek Dünya Uygulaması
Modelin hangi kavramları birlikte gruplandırdığını görmek için UMAP ile bir dil modelinden kelime veya cümle yerleştirmelerini 2 boyutlu olarak çizmek
Hastalık alt tiplerini kümelemeden önce hasta başına binlerce gen ekspresyonu ölçümünü birkaç bileşene sıkıştırmak
Görüntü özelliklerini bir sınıflandırıcıya beslemeden önce azaltmak, böylece eğitimin daha hızlı olmasını ve aşırı uyum olasılığının azalmasını sağlar
Farklı pazar segmentlerini tespit etmek için müşteri davranışını yüzlerce metrikte 2 boyutlu dağılım grafiği olarak görselleştirme
Riskler ve Korkuluklar
Farklı ekipler aynı terimi farklı şekilde kullanabilir; bu nedenle kapsamı erken tanımlayın.
Gerçek dünya performansı dengesizken karşılaştırmalar güçlü görünebilir.
Veri kalitesini ve değerlendirme planlarını göz ardı etmek çoğu zaman hassas sonuçlar doğurur.
Uygulama Yol Haritası
İhtiyacınız olan sonucun sade bir dille tanımlanmasıyla başlayın.
Test etmeden önce bir başarı ölçüsü ve bir başarısızlık koşulu seçin.
Gösterişli bir demo seti yerine, temsili verilerle küçük bir pilot çalışma yürütün.
Boyut Azaltımının nerede yardımcı olduğunu ve daha basit yöntemlerin nerede daha iyi olduğunu belgeleyin.
Keşfetmeye Devam Edin
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
Next guide
Barlow Twins ve Yedeklilik Azaltımı
Sık sorulan sorular
What is Dimensionality Reduction?
Boyut azaltma, önemli yapıyı korurken birçok sütundaki (özellik) verileri birkaç taneye küçültür. 'Boyutluluğun laneti' ile savaşır, modelleri hızlandırır ve karmaşık verileri 2D veya 3D olarak görselleştirmenize olanak tanır.
'Boyutsallığın laneti' nedir?
Çok yüksek boyutlu alanlarda, noktalar birbirinden çok uzaklara dağılır ve mesafe ölçümleri bozulur, bu nedenle modeller kalıp bulmakta zorlanır ve fazla uyum sağlama eğilimindedir.
PCA hangi yönlerin korunacağına nasıl karar veriyor?
PCA, en büyük değişkenliğin eksenleri olan temel bileşenleri bulur ve en fazla bilgiyi taşıdıkları için en üsttekileri tutar.
PCA'ya neden 'doğrusal' yöntem deniyor?
Her ana bileşen, orijinal özelliklerin doğrusal bir birleşimidir; dolayısıyla PCA, t-SNE veya UMAP'ın yapabildiği gibi kavisli, doğrusal olmayan yapıyı yakalayamaz.
T-SNE ve UMAP özellikle hangi konularda iyidir?
Her ikisi de düşük boyutlu haritada yakındaki noktaları yakın tutan ve kümeleri 2B veya 3B olarak görünür hale getiren doğrusal olmayan tekniklerdir.