UMAP (Uniform Manifold Approximation and Projection)

UMAP nedir?

UMAP, çok sayıda boyuta sahip veriyi iki ya da üç boyuta indirerek görünür hale getiren bir yöntemdir. Adı "Uniform Manifold Approximation and Projection" ifadesinin kısaltması.

Bir yapay zeka modeli metinleri, görselleri ya da kullanıcıları çoğu zaman yüzlerce, hatta binlerce sayıdan oluşan listelerle temsil eder. Bu sayı dizilerine embedding •bir nesneyi sayı dizisiyle temsil etme• denir. İnsan gözü bu kadar boyutu göremez. UMAP tam burada devreye girer: yüksek boyutlu veriyi, benzer olanları yan yana tutacak şekilde düz bir haritaya sıkıştırır.

Nasıl çalışır?

UMAP iki aşamada ilerler.

Önce verinin kendi içindeki komşuluk ilişkilerini çıkarır. Her nokta için en yakın komşularına bakar ve "bu nokta hangi noktalara ne kadar yakın" bilgisini bir ağ gibi kurar. Burada tek tek bütün uzaklıkları değil, sadece yakın komşuları hesaplar; bu da yöntemi hızlı yapar.

Sonra bu ağı düşük boyutlu bir düzleme yerleştirir. Birbirine bağlı noktaları birbirine çeker, bağlı olmayanları iter ve ağın yapısını olabildiğince koruyan bir yerleşim bulana kadar bu dengeyi arar.

İki ayar en çok işine yarar: n_neighbors kaç komşuya bakılacağını belirler; küçük değer ince ayrıntıyı, büyük değer genel resmi öne çıkarır. min_dist ise haritada noktaların ne kadar sıkışık duracağını ayarlar.

Neden önemli?

Yüksek boyutlu veriyi anlamak zordur. UMAP bu veriyi bir resme çevirdiği için kümeleri, grupları ve aykırı noktaları gözle görebilirsin. Hangi verilerin birbirine benzediğini saniyeler içinde fark edersin.

UMAP'in öne çıkan iddiası, benzer bir yöntem olan t-SNE •yüksek boyutlu veriyi görselleştiren başka bir teknik• ile karşılaştırıldığında verinin genel yapısını daha iyi koruması ve daha hızlı çalışmasıdır. Yani sadece yakın komşuların değil, grupların birbirine göre konumunun da daha anlamlı kalması beklenir.

Kullanım alanları

UMAP en çok keşif ve görselleştirme amacıyla kullanılır. Bir embedding kümesini haritalayıp hangi içeriklerin birbirine yakın olduğunu görmek, müşteri gruplarını ayırt etmek, benzer belgeleri kümelemek ya da veri içindeki aykırı örnekleri yakalamak bunların başında gelir. Düşürdüğü boyut sayısında bir sınır olmadığı için sadece görselleştirmede değil, başka modellere girdi hazırlamak için de kullanılabilir.