İçeriğe geç
parazade
Yapay Zeka

Boyut İndirgeme Nedir?

İngilizce: Dimensionality Reduction

Yayın: · Son güncelleme:

Boyut İndirgeme Nedir? Kısaca

Boyut indirgeme, çok sayıda özellik içeren bir veri setini, verideki önemli bilgiyi mümkün olduğunca koruyarak daha az sayıda değişkenle temsil etme işlemidir; görselleştirme, hız ve aşırı öğrenmeyi azaltma amacıyla kullanılır.

Boyut İndirgeme nedir?
İçindekiler
  1. Boyut indirgeme nedir?
  2. Yaygın yöntemler
  3. Ne işe yarar?
  4. Nelere dikkat etmeli?

Boyut indirgeme, verideki özellik (sütun) sayısını azaltma işlemidir. Örneğin yüzlerce ölçüm içeren bir veri setini, en önemli bilgiyi taşıyan birkaç değişkene indirmeyi amaçlar.

Boyut indirgeme nedir?

Makine öğrenmesinde her özellik bir "boyut" olarak düşünülür. Boyut sayısı arttıkça veri noktaları bu geniş uzayda seyrekleşir, modeller daha fazla veriye ihtiyaç duyar ve hesaplama ağırlaşır. Bu soruna "boyutluluğun laneti" denir. Boyut indirgeme bu yükü hafifletir.

İki ana yaklaşım vardır:

Yaygın yöntemler

Yöntem Kısa açıklama
Temel bileşenler analizi (PCA) Doğrusal; varyansı en çok koruyan yeni eksenleri bulur
Tekil değer ayrışımı (SVD) PCA'nın arkasındaki matris ayrışımı; metin verisinde de yaygın
t-SNE Doğrusal değil; yakın noktaları yakın tutarak 2-3 boyutta görselleştirir
UMAP t-SNE'ye benzer, genellikle daha hızlı ve genel yapıyı daha iyi korur
Otokodlayıcı Sinir ağıyla veriyi sıkıştırıp yeniden oluşturmayı öğrenir

Ne işe yarar?

  • Yüksek boyutlu veriyi 2 ya da 3 boyutta görselleştirmek.
  • Gürültüyü ve gereksiz tekrarları azaltmak.
  • Model eğitimini hızlandırmak ve depolamayı küçültmek.
  • Aşırı öğrenme riskini düşürmek.

Nelere dikkat etmeli?

Boyut indirgeme her zaman bilgi kaybı demektir; ne kadar kayıp kabul edileceği probleme bağlıdır. Yeni oluşturulan değişkenler çoğu zaman doğrudan yorumlanamaz. Görselleştirme yöntemlerinde (t-SNE, UMAP) grafikteki mesafe ve küme büyüklükleri yanıltıcı olabilir; bu grafikler kesin sonuç için değil, keşif için kullanılmalıdır.

Sıkça Sorulan Sorular

Boyut indirgeme ile özellik seçimi aynı mı?

Özellik seçimi, boyut indirgemenin bir türüdür. Boyut indirgeme ayrıca PCA gibi özellikleri birleştirerek yeni değişkenler üreten yöntemleri de kapsar.

Boyut indirgeme her zaman gerekli mi?

Hayır. Özellik sayısı azsa ya da model yüksek boyutla iyi başa çıkıyorsa gerekmeyebilir. Genellikle görselleştirme, hız ya da aşırı öğrenme sorunu olduğunda başvurulur.

İlgili terimler

Temel Bileşenler Analizi(Principal Component Analysis)Temel bileşenler analizi (PCA), birbiriyle ilişkili çok sayıda değişkeni, verideki varyansı en çok koruyan ve birbirinden bağımsız (dik) yeni değişkenlere, yani temel bileşenlere dönüştüren doğrusal bir boyut indirgeme yöntemidir.t-SNEt-SNE (t-distributed Stochastic Neighbor Embedding), yüksek boyutlu verideki noktaları, birbirine benzeyenler yakın kalacak şekilde iki ya da üç boyutlu bir haritaya yerleştiren, özellikle görselleştirme için kullanılan doğrusal olmayan bir boyut indirgeme yöntemidir.UMAPUMAP (Uniform Manifold Approximation and Projection), yüksek boyutlu verideki komşuluk yapısını bir graf olarak modelleyip bunu düşük boyutta mümkün olduğunca koruyan, görselleştirme ve ön işleme için kullanılan doğrusal olmayan bir boyut indirgeme yöntemidir.Özellik Seçimi(Feature Selection)Özellik seçimi (feature selection), bir veri setindeki tüm özellikler arasından modelin başarısına en çok katkı sağlayanları seçip gereksiz, tekrarlayan ya da gürültülü olanları çıkararak daha sade ve genellenebilir bir model kurma sürecidir.Özellik(Feature)Özellik (feature), makine öğrenmesinde her bir örneği tanımlayan ve modelin tahmin yaparken girdi olarak kullandığı ölçülebilir nitelik ya da değişkendir. Örneğin ev fiyatı tahmininde metrekare, oda sayısı ve konum birer özelliktir.Özellik Çıkarımı(Feature Extraction)Özellik çıkarımı (feature extraction), görüntü, ses, metin ya da çok sayıda değişken içeren ham veriyi, temel bilgiyi koruyan daha az sayıda ve daha anlamlı yeni özelliğe dönüştürerek makine öğrenmesi modellerinin işini kolaylaştırma sürecidir.