t-dağıtılmış Stokastik Komşu Gömme (t-SNE)

t-SNE'yi Anlamak

t-SNE'nin arkasındaki temel fikir, verilerin yerel yapısını korumaktır. Yüksek boyutlu veri noktaları arasındaki benzerliği koşullu olasılıklar olarak modeller ve ardından eşlenen noktalar arasında benzer bir olasılık dağılımı üreten düşük boyutlu bir gömme bulmaya çalışır. Temel Bileşen Analizi (PCA) gibi doğrusal yöntemlerin aksine, t-SNE doğrusal değildir ve olasılıksaldır. Bu, özellikle veriler kavisli manifoldlar üzerinde yer aldığında PCA'nın gözden kaçırabileceği karmaşık ilişkileri yakalamasını sağlar. Bununla birlikte, PCA verilerin küresel yapısını ve varyansını korumada daha iyidir.

Algoritma, hem yüksek hem de düşük boyutlardaki noktalar arasındaki ikili benzerlikleri hesaplar. Yüksek boyutlu uzayda bir Gauss dağılımı ve düşük boyutlu uzayda bir t-dağılımı (özellikle, bir serbestlik derecesine sahip bir Student t-dağılımı) kullanır. T-dağılımının kullanılması "kalabalıklaşma sorununu" (noktaların haritanın merkezinde bir araya gelme eğiliminde olduğu) hafifletmeye yardımcı olur ve düşük boyutlu haritada birbirine benzemeyen noktaları daha etkili bir şekilde ayırır. Süreç, gradyan inişi kullanılarak bu iki dağılım arasındaki farklılığın en aza indirilmesini içerir. Detaylı teknik açıklama için orijinal t-SNE makalesine bakınız.

Yapay Zeka ve Makine Öğrenimi Uygulamaları

t-SNE öncelikle bir görselleştirme tekniğidir ve yapay zeka modelleri tarafından üretilen yüksek boyutlu verileri keşfetmek ve anlamak için çok değerlidir. İşte bazı örnekler:

• Kelime Gömülerini Görselleştirme: Doğal Dil İşlemede (NLP), BERT veya GPT gibi modeller kelimeler veya cümleler için yüksek boyutlu vektör temsilleri(gömüler) oluşturur. Bu katıştırmalara t-SNE uygulamak, araştırmacıların anlamsal ilişkileri görselleştirmesine olanak tanır ve potansiyel olarak benzer anlamlara sahip kelimelerin 2B grafikte bir arada kümelendiğini gösterir. Bu, öğrenilen dil modellemesinin kalitesini anlamaya yardımcı olur.
• CNN Özellik Temsillerini Anlamak: Bilgisayarla görmede (CV), Evrişimsel Sinir Ağları (CNN'ler), tıpkı Ultralytics YOLONesne algılama modelleri, hiyerarşik özellikleri öğrenir. t-SNE, bir veri kümesi için ara veya son katmanların aktivasyonlarına uygulanabilir (örneğin, ImageNet). Bu özellik haritalarını görselleştirmek, modelin farklı nesne sınıflarını ne kadar iyi ayırdığını anlamaya yardımcı olur ve model geliştirme sırasında, hatta belki de Ultralytics HUB'da modelleri eğitirken içgörüler sağlayabilir.

Önemli Hususlar

Güçlü olmakla birlikte, t-SNE kullanıcıların anlaması gereken özelliklere sahiptir:

• Hesaplama Maliyeti: t-SNE, ikili benzerliklerin hesaplanmasını gerektirdiğinden, özellikle çok büyük veri kümeleri için hesaplama açısından yoğun olabilir.
• Hiperparametre Hassasiyeti: Sonuçlar hiper parametrelere, özellikle de her nokta için dikkate alınan yerel komşuların sayısını etkileyen "perplexity "ye duyarlıdır. Uygun hiperparametre ayarı genellikle gereklidir. Scikit-learn 'deki gibi uygulamalar bu parametreler için kontroller sunar.
• Yorumlama: t-SNE grafiğindeki kümelerin boyutları ve aralarındaki mesafeler, orijinal yüksek boyutlu uzaydaki gerçek küme boyutlarına veya ayrımlara her zaman doğrudan karşılık gelmez. Öncelikle yerel benzerlikleri ve gruplaşmaları ortaya çıkarır. K-Means gibi kesin kümeleme analizinden ziyade keşif için bir araçtır.

Özetle, t-SNE, karmaşık, yüksek boyutlu veri kümelerini görselleştirmek ve bunlar hakkında sezgi kazanmak için Yapay Zeka (AI) araç setinde diğer analitik yöntemleri tamamlayan değerli bir araçtır.