Yerel Doğrusal Gömme (LLE)
Locally Linear Embedding (LLE) · Ayrıca şöyle bilinir: LLE, manifold learning, nonlinear dimensionality reduction, yerel doğrusal gömme
Sam Roweis ve Lawrence Saul tarafından 2000 yılında tanıtılan yerel doğrusal gömme, doğrusal olmayan boyut indirgeme için bir manifold öğrenme yöntemidir. Veriler yüksek boyutlu bir uzayda eğri olsa da, her noktanın ve komşularının yaklaşık olarak düz bir yama üzerinde yer aldığını varsayar. LLE, her noktayı komşularının ağırlıklı bir kombinasyonu olarak yakalar ve daha sonra aynı yerel ilişkileri koruyan, eğri yapıyı aslına uygun düşük boyutlu bir haritaya açan düşük boyutlu bir düzenleme bulur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
LLE'yi, düzgün doğrusal olmayan bir manifold üzerinde yer aldığına inanılan verilerin boyutunu görselleştirmek veya azaltmak için kullanın — örneğin, sürekli varyasyon altındaki görüntüler (duruş, aydınlatma), hareket yakalama yörüngeleri veya birkaç gizli faktörün yüksek boyutlu gözlemler ürettiği diğer veriler. Isomap'e (jeodezik mesafeleri korur) klasik bir alternatiftir ve t-SNE ve UMAP'ın öncüsüdür. LLE, komşuluk boyutu k'ye, gürültüye ve tekdüze olmayan örneklemeye duyarlıdır, manifold iyi örneklenmediğinde veya delikleri olduğunda zorlanabilir ve yeni noktaları örnek dışı gömmek için doğal bir yol sağlamaz. Kümelerin genel amaçlı görselleştirilmesi için artık genellikle t-SNE veya UMAP tercih edilir; LLE kavramsal olarak ve yerel doğrusallığın gerçekten geçerli olduğu durumlarda değerli olmaya devam etmektedir.
Güçlü yönler & sınırlılıklar
- PCA gibi doğrusal yöntemlerin kaçırdığı doğrusal olmayan manifold yapısını yakalar.
- Yerel minimumları veya bir objektifin yinelemeli ayarı olmayan tek bir seyrek özdeğer problemine indirgenir.
- Komşuluk yeniden yapılandırma ağırlıkları yerel dönme ve ölçeklemeye karşı değişmezdir.
- Nispeten az parametreyle (esas olarak komşuluk boyutu) kavramsal olarak zarif.
- Komşu sayısı k'ye, gürültüye ve düzensiz örneklemeye duyarlıdır.
- Kötü örneklenmiş, delikleri olan veya yoğunluğu değişen manifoldlarla zorlanır.
- Yeni noktaları gömmek için basit bir örnek dışı uzantı yoktur.
- Uygulamada küme görselleştirme için genellikle t-SNE/UMAP tarafından geride bırakılır.
SSS
LLE, PCA'dan nasıl farklıdır?
PCA tek bir küresel doğrusal alt uzay bulur, bu nedenle eğri (doğrusal olmayan) yapıyı açamaz. LLE, verilerin yerel olarak düz olan doğrusal olmayan bir manifold üzerinde yer aldığını varsayar ve her noktanın yerel komşuluk ilişkilerini korur, bu da PCA'nın bozacağı eğri manifoldları düzleştirmesine olanak tanır.
LLE, Isomap ile nasıl karşılaştırılır?
Her ikisi de erken manifold öğrenme yöntemleridir. Isomap, bir komşuluk grafiğindeki en kısa yollar aracılığıyla manifold boyunca küresel jeodezik mesafeleri korurken, LLE yalnızca yerel yeniden yapılandırma ağırlıklarını korur. LLE hesaplama açısından daha hafiftir ve odağı daha yereldir; Isomap, manifold dışbükey ve iyi örneklenmiş olduğunda küresel geometriyi daha iyi korur.
k seçimi neden bu kadar önemlidir?
k, doğrusal olduğu varsayılan komşuluğun boyutunu belirler. Çok az komşu manifoldu parçalar ve gömmeyi kararsız hale getirir; çok fazla komşu ise manifoldun eğrildiği noktaları içerir ve yerel doğrusallığı ihlal eder. Sonuçlar k ile belirgin şekilde değişebilir, bu nedenle ayarlanmalı ve değerlendirilmelidir.
Kaynaklar
- Roweis, S. T., & Saul, L. K. (2000). Nonlinear dimensionality reduction by locally linear embedding. Science, 290(5500), 2323–2326. DOI: 10.1126/science.290.5500.2323 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Locally Linear Embedding (LLE). ScholarGate. https://scholargate.app/tr/machine-learning/locally-linear-embedding
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- IsomapMakine öğrenmesi↔ karşılaştır
- Çekirdek PCAMakine öğrenmesi↔ karşılaştır
- t-SNEMakine öğrenmesi↔ karşılaştır