Dimenziócsökkentés

Dimenziócsökkentés olyan adatfeldolgozási és gépi tanulási technikák összessége, amelyek egy magasabb számú jellemzőt egy alacsonyabb dimenziójú reprezentációba tömörítenek úgy, hogy a lényeges információk megőrződjenek.

Céljai közé tartozik az adatok vizualizációja, a zaj és redundancia csökkentése, a számítási költségek mérséklése, valamint a gépi tanulási modellek teljesítményének javítása.

Két fő irányba oszlik: lineáris és nem lineáris dimenziócsökkentés. Lineáris módszerek például a PCA (főkomponens-analízis), a SVD és a faktoranalízis. Nem lineáris módszerek közé tartoznak a t-SNE, az Isomap, a LLE és a UMAP.

Szupervízált (felügyelt) megközelítések közé tartozik például az LDA (Linear Discriminant Analysis), amely a különböző osztályok közötti kontrasztot igyekszik kiemelni és kisdimenziós reprezentációt adni.

Értékelés és alkalmazás: a megőrzött információ mértéke és a vizualizáció minősége gyakori mérőszámok. Lineáris módszerek gyakran visszaállítható, míg a nem lineáris módszerek többsége nem rekonstrukcióközpontú, inkább a strukturális összefüggések ábrázolására optimalizált.

Kockázatok és mérlegelés: információvesztés, érzékenység a paraméterekre, és a kiválasztott módszer célhoz kötődése. A döntés attól függ, hogy lokális vagy globális szerkezet megőrzése a fontosabb, és hogy szükség van-e visszafordítható reprezentációra.