Снижение размерности в задачах статистики, машинного обучения и теории информации — набор техник преобразования данных, направленных на уменьшение числа переменных путём выявления главных переменных; в общем случае может быть разделено на отбор признаков и выделение признаков. Снижение размерности наборов данных позволяет снизить требуемое время и требуемую память для обработки набора, улучшить скорость моделей машинного обучения за счёт удаления мультиколлинеарности, проще представить данные визуально (в двумерных и трёхмерных графиках).
Для наборов данных высокой размерности (на практике высоким считается число размерностей больше 10) снижение размерности обычно осуществляется перед применением метода ближайших соседей (, k-NN) с целью избежать эффект проклятия размерности. Выделение признаков и снижение размерности может быть скомбинировано в один шаг с помощью метода главных компонент, линейного дискриминантного анализа, канонического корреляционного анализа или неотрицательного разложения матрицы как предварительный шаг с последующей группировкой с помощью K-NN на векторе признаков в пространстве редуцированной размерности. В машинном обучении этот процесс называется также малоразмерным вложением.
Для любых наборов данных высокой размерности (например, когда осуществляется поиск подобия в видеопотоке, ДНК данных или временном ряде высокой размерности) использование быстрого приближённого K-NN поиска с помощью методов «locality sensitive hashing», , «выжимок (sketches)» (например, тензорный скетч) или других высокоразмерных техник поиска похожести из арсенала сверхбольших баз данных может оказаться единственно возможным вариантом.
Техника снижения размерности, которая иногда используется в нейронауках, — это , позволяет находить представления низкой размерности набора данных, сохраняющие как можно больше информации об исходных данных.
Отбор признаков
Метод отбора признаков пытается найти подмножество исходных переменных (которые называются признаками или атрибутами). Есть три стратегии — стратегия фильтра (например, ), стратегия обёртывания (например, поиск согласно точности) и стратегия вложения (выбираются признаки для добавления или удаления по мере построения модели, основанной на ошибках прогнозирования). См. также задачи комбинаторной оптимизации.
В некоторых случаях анализ данных, такой как регрессия или классификация, может быть осуществлён в редуцированном пространстве более точно, чем в исходном пространстве.
Проекция признаков Проекция признаков преобразует данные из пространства высокой размерности к пространству малой размерности. Преобразование данных может быть линейным, как в методе главных компонент (МГК), но существует большое число техник . Для многомерных данных может быть использовано тензорное представление для снижения размерности через .
Метод главных компонент
Основная линейная техника для снижения размерности, метод главных компонент, осуществляет линейное отображение данных в пространство меньшей размерности таким образом, что дисперсия данных в малоразмерном представлении максимизируется. На практике строится матрица ковариации (а иногда корреляции) данных и вычисляются собственные вектора этой матрицы. Собственные вектора, соответствующие наибольшим собственным значениям (главные компоненты) теперь можно использовать для восстановления большей части дисперсии исходных данных. Более того, первые несколько собственных векторов часто можно интерпретировать в терминах крупномасштабного физического поведения системы. Исходное пространство (с размерностью, равной числу точек) редуцируется (с потерей данных, но с надеждой, что остаётся наиболее важная дисперсия) до пространства, натянутого на несколько собственных векторов.
Неотрицательное матричное разложение
Неотрицательное матричное разложение раскладывает неотрицательную матрицу на произведение двух неотрицательных матриц, которые имеют многообещающие средства в областях, где существуют только неотрицательные сигналы, таких как астрономия. Неотрицательное матричное разложение хорошо известно ввиду правила мультипликативных корректировок () Ли и Сына, которое непрерывно разрабатывалось: включение неопределённости (), учёт отсутствующих данных () и параллельные вычисления, последовательное построение (), которое ведёт к стабильности и линейности НМР, а также другие корректировки.
Со стабильным компонентным базисом во время построения и линейным процессом моделирования последовательное неотрицательное матричное разложение () способно сохранить поток околозвёздных структур прямого наблюдения (то есть наблюдаемых непосредственно, а не по косвенным признакам) в астрономии, как один из методов обнаружения экзопланет, особенно для околозвёздных дисков прямого наблюдения. По сравнению с МГК неотрицательное матричное разложение не удаляет среднее матриц, удаление которых приводит к нефизическим неотрицательным потокам, потому НМР способно сохранить больше информации, чем метод главных компонент, что продемонстрировал Рен с соавторами.
Ядерный метод главных компонент
Метод главных компонент может применяться другим способом при использовании ядерного трюка. Получающаяся техника способна построить нелинейные отображения, которые максимизируют дисперсию данных. Эта техника называется .
Основанный на графах ядерный МГК Другие многообещающие нелинейные техники — это техники , такие как , (ЛЛВ), локально-линейное вложение с использованием гессиана (), метод карт собственных значений лапласиана () и (, LTSA). Эти техники строят низкоразмерное представление данных, используя функцию цены, которая сохраняет локальные свойства данных и которую можно рассматривать как определение основанного на графах ядра для ядерного МГК.
Недавно были предложены техники, которые вместо определения фиксированного ядра пытаются изучить ядро с помощью полуопределённого программирования. Наиболее значительным примером такой техники является развертка по максимуму невязки (РМН). Центральная идея РМН состоит в точности в сохранении всех попарных расстояний между ближайшими соседями (в пространстве со скалярным произведением), максимизируя при этом расстояния между точками, не являющимися ближайшими соседями.
Альтернативный подход к сохранению соседства заключается в минимизации функции цены, которая измеряет расстояния во входном и выходном пространствах. Важные примеры таких техник: классическое многомерное шкалирование, которое идентично МГК; , которая использует геодезические расстояния в пространстве данных; , который использует диффузионные расстояния в пространстве данных; стохастическое вложение соседей с t-распределением (, t-SNE), который минимизирует разницу между парами точек, UMAP (Uniform Approximation and Projection), который минимизирует дивергенцию Кульбака-Лейблера между множествами в высоко- и низкоразмерном пространствах, и нелинейный анализ компонент (, CCA).
Другой подход к нелинейному снижению размерности — через использование автокодировщиков, специального вида нейронных сетей прямого распространения () с бутылочным (в виде бутылочного горлышка) скрытым слоем. Обучение глубоких кодировщиков обычно осуществляется с использованием жадного послойного предобучения (например, используя каскад ограниченных машин Больцмана), за которым следует этап тонкой настройки, основанный на методе обратного распространения ошибки.
Линейный дискриминантный анализ
Линейный дискриминантный анализ является обобщением линейного дискриминанта Фишера, метода, применяемого в статистике, распознавании образов и машинном обучении для поиска линейной комбинации признаков, которые описывают или разделяют два и более класса объектов или событий.
Обобщённый дискриминантный анализ Обобщённый дискриминантный анализ имеет дело с нелинейным дискриминантным анализом с помощью оператора ядра функции (). Лежащая в основе теория близка к методу опорных векторов, поскольку обобщённый дискриминантный анализ даёт отображение входных векторов в пространство признаков высокой размерности. Аналогично линейному, целью обобщённого дискриминантного анализа является поиск проекции признаков в пространство меньшей размерности с максимизацией отношения межклассовой инвариантности () к внутриклассовой инвариантности ().
Автокодировщик
Автокодировщик может быть использован для изучения функций нелинейного снижения размерности и кодирования вместе с обратной функцией из кодированного к исходному представлению.
См. также
Задача поиска ближайшего соседа
Сингулярное разложение Латентно-семантический анализ
Топологический анализ данных Locality sensitive hashing
Преобразование данных Анализ взвешенной сети корреляций Оптимизация гиперпараметров
Модель конверта
Лемма Джонсона — Линденштрауса Item Response Theory Факторный анализ
Примечания
Литература
Ссылки JMLR Special Issue on Variable and Feature Selection ELastic MAPs Locally Linear Embedding A Global Geometric Framework for Nonlinear Dimensionality Reduction
Категория:Машинное обучение