Boyut indirgeme nedir?

Boyut indirgeme, özellik sayısını azaltırken bilgiyi korur.

Boyut indirgeme nedir?

Boyut indirgeme, çok özellikli veriyi bilginin çoğunu koruyarak daha az özellikle temsil etmektir. İki aile vardır:

Özellik seçimi: özgün sütunların bir alt kümesini tutar (yorumlanabilir).
Özellik çıkarımı: yeni sütunlar üretir (PCA, t-SNE, UMAP).

from sklearn.datasets import load_digits
X, y = load_digits(return_X_y=True)
print(X.shape)   # (1797, 64): 8x8 piksel rakam görüntüleri

64 piksel bir rakamı anlatmak için gereğinden fazladır; komşu pikseller güçlü biçimde ilişkilidir.

Sabit ve ilişkili sütunlar

Görüntü verisinde kenar pikselleri neredeyse her zaman 0'dır; varyansları sıfıra yakındır ve bilgi taşımaz. İlişkili sütunlar ise aynı bilgiyi tekrarlar:

print((X.var(axis=0) == 0).sum())      # hiç değişmeyen piksel sayısı
C = np.corrcoef(X[:, X.var(axis=0) > 0], rowvar=False)
print((np.abs(C) > 0.8).sum())         # güçlü ilişkili çiftler

Her iki durum da boyut indirgemenin neden mümkün olduğunu gösterir.

Uygulama Rakam verisini tanı

Rakam verisinin şeklini, hiç değişmeyen piksel sayısını ve sınıf sayısını (len(np.unique(y))) alt alta yazdır.

Örnek çözümü göster

import numpy as np
from sklearn.datasets import load_digits

X, y = load_digits(return_X_y=True)

print(X.shape)
print((X.var(axis=0) == 0).sum())
print(len(np.unique(y)))

Kendini test et

PCA hangi aileye girer?
- Özellik çıkarımı
- Özellik seçimi
- Kümeleme
- Sınıflandırma
Cevabı göster

Özellik çıkarımı — PCA özgün sütunları değil, onların doğrusal birleşimlerini üretir.

Hiç değişmeyen sütunları say.

print((X.____(axis=0) == 0).sum())

Cevabı göster

print((X.var(axis=0) == 0).sum())

Kavramları eşleştir.

özellik seçimi

Özgün sütunlardan alt küme
özellik çıkarımı

Yeni sütunlar
sabit sütun

Bilgi taşımaz
ilişkili sütunlar

Tekrarlanan bilgi

Sıradaki ders: Neden indirgeriz?

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler