Vähentämistekniikoilla

Vähentämistekniikoilla viittaa menetelmiin, joita käytetään tilastotieteessä ja datatieteessä vähentämään datan ulottuvuuksien määrää. Tämä on usein tarpeen, kun datassa on suuri määrä muuttujia (ominaisuuksia), mikä voi vaikeuttaa analysointia, mallinnusta ja visualisointia. Suuri ulottuvuuksien määrä voi johtaa laskennallisiin haasteisiin ja "ulottuvuuden kiroukseksi" kutsuttuun ilmiöön, jossa datan tiheys vähenee eksponentiaalisesti ulottuvuuksien kasvaessa, tehden sen käsittelystä vaikeaa.

Pääasialliset vähentämistekniikat voidaan jakaa kahteen luokkaan: piirteidenvalinta ja piirteenpoiminta. Piirteidenvalinta tarkoittaa alkuperäisten muuttujien joukosta merkityksellisimpien valitsemista ja loput pois jättämistä. Tämä perustuu usein muuttujien korrelaatioon kohdemuuttujan kanssa tai muuttujien keskinäiseen riippuvuuteen. Piirteenpoiminta puolestaan luo uusia muuttujia, jotka ovat alkuperäisten muuttujien lineaarisia tai epälineaarisia kombinaatioita. Tavoitteena on säilyttää mahdollisimman paljon alkuperäisen datan informaatiosta pienemmässä määrässä ulottuvuuksia.

Yleisiä piirteenpoimintatekniikoita ovat pääkomponenttianalyysi (PCA) ja erillinen analyysi (LDA). PCA pyrkii löytämään suunnat, joilla datan varianssi on suurin, kun taas LDA etsii suuntia, jotka maksimoivat luokkien välisen eron ja minimoivat luokkien sisäisen eron. Muita tekniikoita ovat esimerkiksi t-SNE ja UMAP, jotka soveltuvat erityisesti korkeaulotteisen datan visualisointiin matalaulotteisessa tilassa. Vähentämistekniikoilla on laaja käyttöalue esimerkiksi koneoppimisessa, kuvankäsittelyssä ja bioinformatiikassa.