Dimensiovähennystä

Dimensiovähennys viittaa prosessiin, jossa datan ulottuvuuksien eli piirteiden määrää vähennetään. Tavoitteena on yleensä yksinkertaistaa mallia, nopeuttaa laskentaa, vähentää muistin käyttöä tai poistaa redundanssia ja kohinaa datasta. Tämän seurauksena datan esitysmuoto muuttuu pienempään ulottuvuuteen säilyttäen kuitenkin mahdollisimman paljon alkuperäisestä informaatiosta.

On olemassa useita erilaisia dimensiovähennysmenetelmiä, jotka voidaan jakaa karkeasti kahteen luokkaan: piirteiden valintaan (feature selection) ja piirteiden poimintaan (feature extraction). Piirteiden valinnassa pyritään tunnistamaan ja valitsemaan joukko alkuperäisistä piirteistä, jotka ovat kaikkein informatiivisimpia ja korreloivat vahvasti kohdemuuttujan kanssa. Piirteiden poiminnassa puolestaan luodaan uusia, vähemmän ulottuvuuksia omaavia piirteitä yhdistelemällä alkuperäisiä piirteitä.

Yleisiä piirteiden poimintamenetelmiä ovat pääkomponenttianalyysi (PCA) ja t-hajautettu stokastinen naapuriupotus (t-SNE). PCA on lineaarisesti etsivä menetelmä, joka muuntaa datan uusiin ortogonaalisiin komponentteihin, jotka selittävät suurinta osaa datan varianssista. t-SNE on epälineaarinen menetelmä, joka soveltuu erityisesti datan visualisointiin korkeammissa ulottuvuuksissa.

Dimensiovähennystä käytetään laajasti koneoppimisessa, data-analytiikassa ja kuvankäsittelyssä. Se auttaa käsittelemään korkeaulotteista dataa, parantamaan mallien suorituskykyä ja tunnistamaan olennaisia rakenteita datassa. Menetelmän valinta riippuu usein datan luonteesta ja käytettävän sovelluksen tavoitteista.