Boyut İndirgeme (Dimensionality Reduction)
Araç kavramlarıBoyut indirgeme nedir?
Gerçek dünya verisi çoğu zaman yüzlerce, binlerce özellik yani boyut içerir. Bu kadar boyut hem hesaplamayı yavaşlatır hem de "boyut laneti" denen sorunu doğurur: boyut arttıkça veri seyrekleşir, modeller ezberlemeye başlar. Boyut indirgeme, bu yüksek boyutlu veriyi içindeki bilgiyi mümkün olduğunca koruyarak çok daha az boyuta sıkıştırma işidir.
Nasıl çalışır?
En bilinen yöntem PCA, yani Temel Bileşen Analizi: veride en çok değişkenliğin (varyans) olduğu yönleri bulur ve veriyi bu birkaç ana eksene yansıtır. Böylece 200 özellik, bilginin çoğunu taşıyan 10 bileşene inebilir. Doğrusal olmayan ilişkiler için t-SNE ve UMAP gibi manifold öğrenme yöntemleri kullanılır; bunlar karmaşık yapıları iki-üç boyuta indirip görselleştirmeyi mümkün kılar. Autoencoder gibi sinir ağı temelli yaklaşımlar da veriyi sıkıştırıp geri açarak öğrenilmiş bir özet, yani latent space çıkarır.
Neden önemli?
Daha az boyut; daha az gürültü, daha hızlı eğitim ve daha az aşırı öğrenme demek. Yüksek boyutlu embedding çıktılarını görselleştirmek, kümeleri gözle görmek ancak boyut indirgemeyle mümkün olur. Ayrıca depolama ve hesaplama maliyetini ciddi şekilde düşürür.
Kullanım alanları
Veri görselleştirme, gürültü azaltma, özellik çıkarımı, embedding sıkıştırma ve kümeleme öncesi ön işleme adımı olarak yaygın kullanılır. Görüntü işleme, biyoinformatik ve öneri sistemlerinde sık karşılaşılır.
