Boyut Azaltma

Boyutsallık azaltma, makine öğrenimi (ML) ve veri biliminde, veri kümesindeki girdi değişkenlerinin (genellikle özellikler veya boyutlar olarak adlandırılır) sayısını azaltırken en kritik bilgileri korumak için kullanılan dönüştürücü bir tekniktir. Büyük veri çağında, veri kümeleri genellikle binlerce değişken içerir ve bu da boyutsallığın laneti olarak bilinen bir fenomene yol açar. Bu fenomen, model eğitiminin hesaplama açısından pahalı hale gelmesine, aşırı uyumlanmaya eğilimli olmasına ve yorumlanmasının zorlaşmasına neden olabilir. Yüksek boyutlu verileri daha düşük boyutlu bir alana yansıtarak, uygulayıcılar verimliliği, görselleştirmeyi ve tahmin performansını iyileştirebilirler.

AI Geliştirmede Temel Avantajlar

Verilerin karmaşıklığını azaltmak, veri ön işleme süreçlerinde temel bir adımdır. Bu, sağlam yapay zeka (AI) sistemleri oluşturmak için birçok somut avantaj sunar:

• Gelişmiş Hesaplama Verimliliği: Daha az özellik, işlenecek daha az veri anlamına gelir. Bu, YOLO26 gibi algoritmaların eğitim sürelerini hızlandırarak, kaynakları sınırlı kenar AI cihazlarında gerçek zamanlı çıkarım ve dağıtım için daha uygun hale getirir.
• Geliştirilmiş Veri Görselleştirme: İnsan sezgisi, üç boyuttan ötesindeki verileri anlamakta zorlanır. Boyutsallık azaltma, karmaşık veri kümelerini 2D veya 3D alanlara sıkıştırarak, TensorFlow Projector gibi araçları kullanarak kümeleri, kalıpları ve aykırı değerleri tespit etmek için etkili veri görselleştirme sağlar.
• Gürültü Azaltma: Verilerdeki en ilgili varyansa odaklanarak, bu teknik gürültüyü ve gereksiz özellikleri filtreler. Bu, daha temiz eğitim verileriyle sonuçlanır ve modellerin görülmemiş örnekleri daha iyi genelleştirmesine yardımcı olur. .
• Depolama Optimizasyonu: Ultralytics aracılığıyla yönetilenler gibi büyük veri kümelerini bulutta depolamak maliyetli olabilir. Özellik alanını sıkıştırmak, temel veri bütünlüğünden ödün vermeden depolama gereksinimlerini önemli ölçüde azaltır.

Anahtar Teknikler: Doğrusal ve Doğrusal Olmayan

Boyutları azaltma yöntemleri genellikle, verilerin küresel doğrusal yapısını veya yerel doğrusal olmayan manifoldunu koruyup korumadıklarına göre sınıflandırılır.

Doğrusal Yöntemler

En köklü doğrusal teknik, Temel Bileşen Analizi (PCA)dır. PCA, verilerdeki maksimum varyansı yakalayan "temel bileşenleri" (ortogonal eksenler) belirleyerek çalışır. Orijinal verileri bu yeni eksenlere yansıtır ve çok az bilgi sağlayan boyutları etkili bir şekilde atar. Bu, denetimsiz öğrenme iş akışlarında temel bir unsurdur.

Doğrusal Olmayan Yöntemler

Görüntüler veya metin gömmeleri gibi karmaşık veri yapıları için genellikle doğrusal olmayan yöntemler gerekir. t-Distributed Stochastic Neighbor Embedding (t-SNE) ve UMAP (Uniform Manifold Approximation and Projection) gibi teknikler yerel komşulukları korumada mükemmeldir ve bu da onları yüksek boyutlu kümeleri görselleştirmek için ideal hale getirir. Ek olarak, otomatik kodlayıcılar, girdileri gizli uzay temsiline sıkıştırmak ve bunları yeniden yapılandırmak için eğitilmiş sinir ağlarıdır ve verilerin kompakt kodlamasını etkili bir şekilde öğrenirler.

Gerçek Dünya Uygulamaları

Boyut indirgeme, derin öğrenmenin (DL) çeşitli alanlarında kritik öneme sahiptir :

1. Bilgisayar Görme: YOLO26 gibi modern nesne algılayıcılar, binlerce piksel içeren görüntüleri işler. Dahili katmanlar, havuzlama ve adımlı konvolüsyonlar gibi teknikleri kullanarak özellik haritalarının uzamsal boyutlarını aşamalı olarak azaltır ve ham pikselleri yüksek düzeyli anlamsal kavramlara (ör. "kenar", "göz", "araba") dönüştürür.
2. Genomik ve Sağlık Hizmetleri: Tıbbi görüntü analizi ve biyoinformatikte, araştırmacılar on binlerce değişkenle gen ekspresyon verilerini analiz ederler. Boyutsallık azaltma, kanser genomikleri üzerine yapılan çalışmalarda görüldüğü gibi, hastalık sınıflandırması için anahtar biyobelirteçlerin tanımlanmasına yardımcı olur.
3. Öneri Sistemleri: Netflix veya Spotify gibi platformlar, kullanıcı tercihlerini tahmin etmek için matris faktörleştirme (bir indirgeme tekniği) kullanır. Kullanıcı-öğen etkileşimlerinin seyrek matrisini indirgeyerek, gizli özelliklere dayalı olarak içeriği verimli bir şekilde önerebilirler.

Boyut Azaltma ve Özellik Seçimi

Bu kavramı özellik seçiminden ayırmak önemlidir, çünkü bunlar farklı mekanizmalarla benzer hedeflere ulaşır:

• Özellik Seçimi, orijinal özelliklerin bir alt kümesinin seçilmesini içerir (örneğin, "Yaş"ı tutmak ve "Ad"ı bırakmak). Seçilen özelliklerin değerlerini değiştirmez.
• Boyut Azaltma (özellikle özellik çıkarma), orijinal özelliklerin kombinasyonlarından oluşan yeni özellikler oluşturur. Örneğin, PCA "Boy" ve "Kilo" özelliklerini "Vücut Boyutu"nu temsil eden tek bir yeni bileşende birleştirebilir.

Python : Görüntü Gömme İşlemlerini Azaltma

Aşağıdaki örnek, yüksek boyutlu çıktıyı (bir görüntü gömme vektörünü simüle eden) nasıl alıp PCA kullanarak nasıl azaltabileceğinizi göstermektedir. Bu, YOLO26 gibi bir modelin benzer sınıfları nasıl gruplandırdığını görselleştirirken sıkça kullanılan bir iş akışıdır.

import numpy as np
from sklearn.decomposition import PCA

# Simulate high-dimensional embeddings (e.g., 10 images, 512 features each)
# In a real workflow, these would come from a model like YOLO26n
embeddings = np.random.rand(10, 512)

# Initialize PCA to reduce from 512 dimensions to 2
pca = PCA(n_components=2)
reduced_data = pca.fit_transform(embeddings)

# Output shape is now (10, 2), ready for 2D plotting
print(f"Original shape: {embeddings.shape}")  # (10, 512)
print(f"Reduced shape: {reduced_data.shape}")  # (10, 2)