складність 3/5
Manifold learning
Нелінійні проєкції, що тримають сусідів разом ціною всього іншого. Вони дають чудові картинки, і майже ніщо з того, що можна виміряти на цих картинках, не є справжнім.
Інтуїція
PCA обертає. У цьому його сила — відповідь єдина, осі щось означають — і його стеля: обертанням коло не розпрямиш. Коли низьковимірна структура даних викривлена, лінійному методу нічого запропонувати.
Методи многовидів відмовляються від вимоги, щоб відображення було лінійним, і замінюють її іншою: точки, близькі одна до одної у вихідному просторі, мають бути близькими й на картинці. Усе інше підлягає торгу, і на практиці все інше й поступаються [1, §6].
Тому графіки t-SNE та UMAP водночас найпереконливіші й найоманливіші рисунки в прикладному машинному навчанні. Вони справді виявляють кластерну структуру, якої не знаходить ніщо інше. І вони ж дають графіки, де розмір густки, проміжок між двома густками і форма будь-чого — артефакти, а графік ніяк не показує, що з цього що.
Формальне визначення
Як це працює
Де застосовується
Чому і коли
Практичний приклад
Типові помилки
Перевірте себе
3 запитання
Запитання до цієї сторінки входять у доступ. Їх перевіряє сервер, тож відповіді лишаються там, доки ви не дасте свою.
Джерела
- UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction (2020)paperhttps://ar5iv.labs.arxiv.org/html/1802.03426
- How to Use t-SNE Effectively (2016)paperhttps://distill.pub/2016/misread-tsne/