Dimensionality Reduction

Boyut indirgeme, makine öğrenimi (ML) ve veri biliminde, bir veri setindeki giriş değişkenlerinin—genellikle özellikler veya boyutlar olarak adlandırılır—sayısını azaltırken en kritik bilgiyi korumak için kullanılan dönüştürücü bir tekniktir. Büyük veri çağında, veri setleri genellikle binlerce değişken içerir ve bu durum boyutluluğun laneti olarak bilinen bir fenomene yol açar. Bu fenomen, model eğitiminin hesaplama açısından pahalı hale gelmesine, aşırı öğrenmeye (overfitting) yatkın olmasına ve yorumlanmasının zorlaşmasına neden olabilir. Yüksek boyutlu verileri daha düşük boyutlu bir alana izdüşürerek, uygulayıcılar verimliliği, görselleştirmeyi ve tahmine dayalı performansı artırabilirler.

Link to this sectionYapay Zeka Geliştirmedeki Temel Faydalar#

Veri karmaşıklığını azaltmak, veri ön işleme hatlarındaki temel bir adımdır. Sağlam yapay zeka (AI) sistemleri oluşturmak için çeşitli somut avantajlar sunar:

• Gelişmiş Hesaplama Verimliliği: Daha az özellik, işlenecek daha az veri demektir. Bu, YOLO26 gibi algoritmalar için eğitim sürelerini hızlandırır ve bunları gerçek zamanlı çıkarım ve kaynak kısıtlı uç yapay zeka (edge AI) cihazlarında dağıtım için daha uygun hale getirir.
• Improved Data Visualization: Human intuition struggles to comprehend data beyond three dimensions. Dimensionality reduction compresses complex datasets into 2D or 3D spaces, enabling effective data visualization to spot clusters, patterns, and outliers using tools like the TensorFlow Embedding Projector.
• Gürültü Azaltma: Verideki en alakalı varyansa odaklanarak, bu teknik gürültüyü ve gereksiz özellikleri filtreler. Bu, daha temiz eğitim verileri sağlar ve modellerin görülmemiş örneklere karşı daha iyi genelleme yapmasına yardımcı olur.
• Depolama Optimizasyonu: Ultralytics Platform aracılığıyla yönetilenler gibi devasa veri setlerini bulutta depolamak maliyetli olabilir. Öznitelik alanını sıkıştırmak, temel veri bütünlüğünden ödün vermeden depolama gereksinimlerini önemli ölçüde düşürür.

Link to this sectionTemel Teknikler: Doğrusal ve Doğrusal Olmayan#

Boyutları azaltma yöntemleri, genellikle verinin küresel doğrusal yapısını mı yoksa yerel doğrusal olmayan manifoldunu mu koruduklarına göre sınıflandırılır.

Link to this sectionDoğrusal Yöntemler#

En yerleşik doğrusal teknik Temel Bileşenler Analizi (PCA)'dır. PCA, "temel bileşenleri"—verideki maksimum varyansı yakalayan ortogonal eksenleri—tanımlayarak çalışır. Orijinal verileri bu yeni eksenler üzerine izdüşürerek, az bilgi sağlayan boyutları etkili bir şekilde atar. Bu, denetimsiz öğrenme iş akışlarında bir temeldir.

Link to this sectionDoğrusal Olmayan Yöntemler#

Görüntüler veya metin gömüleri (embeddings) gibi karmaşık veri yapıları için genellikle doğrusal olmayan yöntemler gerekir. t-Dağılımlı Stokastik Komşu Gömme (t-SNE) ve UMAP (Tekdüzen Manifold Yaklaşımı ve İzdüşümü) gibi teknikler, yerel komşulukları korumada üstündür ve bu da onları yüksek boyutlu kümeleri görselleştirmek için ideal kılar. Ek olarak, otokodlayıcılar (autoencoders), girişleri gizli alan temsiline sıkıştırmak ve bunları yeniden oluşturmak için eğitilen sinir ağlarıdır (neural networks) ve verinin kompakt bir kodlamasını etkili bir şekilde öğrenirler.

Link to this sectionGerçek Dünya Uygulamaları#

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

1. Bilgisayarlı Görü: YOLO26 gibi modern nesne dedektörleri, binlerce piksel içeren görüntüleri işler. İç katmanlar, özellik haritalarının uzamsal boyutlarını aşamalı olarak azaltmak için havuzlama ve adımlı evrişimler gibi teknikler kullanır ve ham pikselleri üst düzey anlamsal kavramlara (örneğin "kenar", "göz", "araba") damıtır.

2. Genomik ve Sağlık Hizmetleri: Tıbbi görüntü analizi ve biyoinformatikte araştırmacılar, on binlerce değişkenle gen ifadesi verilerini analiz ederler. Boyut indirgeme, kanser genomikleri üzerine yapılan çalışmalarda görüldüğü gibi, hastalık sınıflandırması için temel biyobelirteçlerin belirlenmesine yardımcı olur.

3. Öneri Sistemleri: Netflix veya Spotify gibi platformlar, kullanıcı tercihlerini tahmin etmek için matris çarpanlara ayırma (bir indirgeme tekniği) kullanır. Kullanıcı-öğe etkileşimlerinin seyrek matrisini azaltarak, gizli özelliklere dayalı olarak verimli bir şekilde içerik önerebilirler.

Link to this sectionBoyut İndirgeme ve Özellik Seçimi#

Bu kavramı özellik seçimi (feature selection) ile ayırt etmek önemlidir, çünkü bunlar farklı mekanizmalarla benzer hedeflere ulaşırlar:

• Özellik Seçimi, orijinal özelliklerin bir alt kümesini seçmeyi içerir (örneğin "Yaş"ı tutup "İsim"i bırakmak). Seçilen özelliklerin değerlerini değiştirmez.
• Boyut İndirgeme (özellikle özellik çıkarımı), orijinal olanların kombinasyonu olan yeni özellikler oluşturur. Örneğin, PCA "Boy" ve "Kilo"yu "Vücut Kütlesi"ni temsil eden yeni bir bileşende birleştirebilir.

Link to this sectionPython Örneği: Görüntü Gömülerini İndirgeme#

Aşağıdaki örnek, yüksek boyutlu çıktıyı (bir görüntü gömme vektörünü simüle ederek) nasıl alacağınızı ve PCA kullanarak nasıl indirgeyeceğinizi göstermektedir. Bu, YOLO26 gibi bir modelin benzer sınıfları nasıl gruplandırdığını görselleştirirken kullanılan yaygın 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)