UMAP
Uniform Manifold Approximation and Projection · Ayrıca şöyle bilinir: UMAP (Uniform Manifold Approximation and Projection), uniform manifold approximation and projection, manifold dimension reduction
UMAP (Uniform Manifold Approximation and Projection), McInnes, Healy ve Melville tarafından 2018'de tanıtılan, manifold öğrenme teorisine dayanan hızlı ve ölçeklenebilir bir doğrusal olmayan boyut azaltma yöntemidir. Yüksek boyutlu veriyi görselleştirme ve sonraki analizler için düşük boyutlu bir gömüye sıkıştırır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
UMAP'ı, keşif amaçlı veya sınıflandırma öncesi bir ön işleme adımı olarak, en az yaklaşık 50 gözlem içeren sürekli, yüksek boyutlu verileri görselleştirmek veya sıkıştırmak için kullanın. n_neighbors ve min_dist hiperparametreleri, ilgilendiğiniz yapıya göre ayarlanmalı ve tekrarlanabilirlik için bir random_state sabitlenmelidir. Yaklaşık 50 gözlemin altında manifold güvenilir bir şekilde öğrenilemez ve doğrusal PCA daha güvenli bir seçimdir.
Güçlü yönler & sınırlılıklar
- Büyük veri kümeleri için hızlı ve ölçeklenebilir, t-SNE'den çok daha hızlıdır.
- Yerel kümeleri yakalamaya devam ederken küresel yapıyı t-SNE'den daha iyi korur.
- PCA gibi doğrusal yöntemlerin yapamadığı doğrusal olmayan yapıyı yakalar.
- Görselleştirmeye çok uygun 2 veya 3 boyutlu gömüler üretir.
- Gömüdeki kümeler arasındaki mesafeler yanıltıcı olabilir ve aşırı yorumlanmamalıdır.
- Sonuçlar, ayarlanması gereken n_neighbors ve min_dist hiperparametrelerine bağlıdır.
- Bir random_state sabitlenmedikçe çıktı deterministik değildir.
- Küçük örneklemlerde (yaklaşık 50'nin altındaki n) manifold güvenilir bir şekilde öğrenilemez ve görsel yanıltıcı hale gelir; PCA tercih edilir.
SSS
UMAP, t-SNE'den nasıl farklıdır?
Her ikisi de yüksek boyutlu verileri görselleştirmek için doğrusal olmayan yöntemlerdir, ancak UMAP manifold öğrenme teorisi üzerine kuruludur, küresel yapıyı daha iyi koruma eğilimindedir ve büyük veri kümelerinde çok daha hızlıdır.
Grafikteki kümeler arasındaki mesafeleri yorumlayabilir miyim?
Dikkatli olun. UMAP küme şekillerini korur, ancak kümeler arasındaki mesafeler yanıltıcı olabilir ve kesin nicelikler olarak okunmamalıdır.
Hangi hiperparametreler en çok önemlidir?
n_neighbors yerel ve küresel yapı arasındaki dengeyi kontrol eder ve min_dist noktaların ne kadar sıkı bir araya geldiğini kontrol eder. Her ikisi de ayarlanmalı ve gömünün tekrarlanabilir olması için bir random_state sabitlenmelidir.
Çok az gözlemim varsa ne olur?
Yaklaşık 50 gözlemin altında manifold güvenilir bir şekilde öğrenilemez ve gömü yanıltıcı hale gelir. Bu durumda PCA gibi doğrusal bir yöntem daha güvenli bir seçimdir.
Kaynaklar
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/tr/machine-learning/umap-reduction
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Faktör AnaliziAraştırma istatistiği↔ karşılaştır
- K-ortalama KümelemeMakine öğrenmesi↔ karşılaştır
- Temel Bileşen AnaliziMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- t-SNEMakine öğrenmesi↔ karşılaştır