Makine öğrenmesinde bazı boyut indirgeme algoritmalarının incelenmesi

Son yıllarda, özellikle fizik, kimya, biyoloji ve astronomi gibi uygulamalı bilimlerde, yaşamın ve bilimin birçok alanında veri miktarında bir patlama olmuştur. Deneylerden ve laboratuvar cihazlarından gelen veriler giderek daha karmaşık hale geliyor ve tek bir deney için yüzlerce, binlerce ölçüm rapor ediliyor ve bu da istatistiksel yaklaşımların bu tür yüksek boyutlu verilerle uğraşmasını zorlaştırıyor. Bu yalnızca işlemeyi aşırı derecede yavaşlatmakla kalmaz, aynı zamanda iyi bir çözüm bulmayı da çok daha zor hale getirebilir. Bununla birlikte, verilerin çoğu gereksizdir ve çok fazla bilgi kaybetmeden değişkenlerin sayısını yönetilebilir bir düzeye indirmek mümkündür. Boyut indirgeme teknikleri, bunu sağlayan matematiksel işlemlerdir; istatistik ve makine öğrenimi gibi alanlarda geniş çapta geliştirilmiş ve şu anda sıcak bir araştırma konusu olmuştur. Bu tezde boyut indirgeme konusunu ele aldık ve boyut indirgeme için yaygın olarak kullanılan yaklaşımları tartıştık ve ardından en popüler dört boyut indirgeme algoritmalarından dördünü inceledik: PCA, Çok boyutlu ölçekleme, LLE ve Isomap. Bu algoritmaları gerçek ve yapay veri kümelerine uyguladık ve bu algoritmaların daha iyi anlaşılması için sonuçları tartıştık.