Dimensionality Reduction

Boyut indirgeme, bir veri kümesindeki girdi değişkenlerinin (genellikle özellikler veya boyutlar olarak adlandırılır) sayısını azaltırken en kritik bilgileri korumak için makine öğrenmesinde (ML) ve veri biliminde kullanılan dönüştürücü bir tekniktir. Büyük veri çağında veri kümeleri çoğu zaman binlerce değişken içerir ve bu da boyutluluk laneti olarak bilinen duruma yol açar. Bu durum, model eğitiminin hesaplama açısından maliyetli, aşırı öğrenmeye yatkın ve yorumlanması zor hâle gelmesine neden olabilir. Uygulayıcılar, yüksek boyutlu verileri daha düşük boyutlu bir uzaya yansıtarak verimliliği, görselleştirmeyi ve tahmin performansını iyileştirebilir.

Yapay Zekâ Geliştirmedeki Temel Faydalar#

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

• Artan Hesaplama Verimliliği: Daha az özellik, işlenecek daha az veri demektir. Bu, YOLO26 gibi algoritmaların eğitim süresini kısaltarak onları gerçek zamanlı çıkarım ve kaynakları kısıtlı uç yapay zekâ cihazlarına dağıtım için daha uygun hâle getirir.
• Gelişmiş Veri Görselleştirme: İnsan sezgisi, üç boyutun ötesindeki verileri kavramakta zorlanır. Boyut indirgeme, karmaşık veri kümelerini 2B veya 3B uzaylara sıkıştırarak TensorFlow Embedding Projector gibi araçlarla kümeleri, örüntüleri ve aykırı değerleri saptamak için etkili veri görselleştirmesine olanak tanır.
• Gürültü Azaltma: Bu teknik, verideki en ilgili varyansa odaklanarak gürültüyü ve gereksiz özellikleri filtreler. Böylece daha temiz eğitim verileri elde edilir ve modellerin daha önce görülmemiş örneklere daha iyi genelleme yapması sağlanır.
• Depolama Optimizasyonu: Ultralytics Platform üzerinden yönetilenler gibi büyük veri kümelerini bulutta depolamak maliyetli olabilir. Özellik uzayını sıkıştırmak, temel veri bütünlüğünden ödün vermeden depolama gereksinimlerini önemli ölçüde azaltır.

Temel Teknikler: Doğrusal ve Doğrusal Olmayan Yöntemler#

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

Doğrusal Yöntemler#

En köklü doğrusal teknik, Temel Bileşen Analizi (PCA) yöntemidir. PCA, verideki en yüksek varyansı yakalayan dik eksenler olan “temel bileşenleri” belirleyerek çalışır. Özgün verileri bu yeni eksenlere yansıtır ve böylece az bilgi sağlayan boyutları etkili bir şekilde eler. Bu, denetimsiz öğrenme iş akışlarının temel yöntemlerinden biridir.

Doğrusal Olmayan Yöntemler#

Görüntüler veya metin gömme vektörleri gibi karmaşık veri yapılarında genellikle doğrusal olmayan yöntemler gerekir. t-Dağılımlı Stokastik Komşu Gömme (t-SNE) ve UMAP (Tekdüze Manifold Yaklaştırma ve İzdüşüm) gibi teknikler yerel komşulukları korumada başarılıdır ve bu nedenle yüksek boyutlu kümeleri görselleştirmek için idealdir. Ayrıca otoenkoderler, girdileri gizil uzay temsiline sıkıştırmak ve yeniden oluşturmak üzere eğitilmiş sinir ağlarıdır; böylece verilerin kompakt bir kodlamasını öğrenirler.

Gerçek Dünya Uygulamaları#

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

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 evrişim gibi teknikler kullanır; ham pikselleri “kenar”, “göz” veya “araba” gibi üst düzey anlamsal kavramlara indirger.

2. Genomik ve Sağlık: Tıbbi görüntü analizinde ve biyoinformatikte araştırmacılar, on binlerce değişken içeren gen ifadesi verilerini inceler. Boyut indirgeme, kanser genomikleri çalışmalarında olduğu 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 boyut indirgeme tekniği) kullanır. Kullanıcı-öğe etkileşimlerinden oluşan seyrek matrisi küçülterek gizil özelliklere dayalı içerikleri verimli bir şekilde önerebilirler.

Boyut İndirgeme ve Özellik Seçimi#

Benzer hedeflere farklı mekanizmalarla ulaştıkları için bu kavramı özellik seçiminden ayırmak önemlidir:

• Özellik Seçimi, özgün özelliklerin bir alt kümesini seçmeyi (ör. “Yaş”ı tutup “Ad”ı çıkarmayı) içerir. Seçilen özelliklerin değerlerini değiştirmez.
• Boyut İndirgeme (özellikle özellik çıkarımı), özgün özelliklerin birleşimlerinden yeni özellikler oluşturur. Örneğin PCA, “Boy” ve “Kilo”yu birleştirerek “Vücut Boyutu”nu temsil eden tek bir yeni bileşen oluşturabilir.

Python Örneği: Görüntü Gömme Vektörlerini Küçültme#

Aşağıdaki örnek, yüksek boyutlu bir çıktının (görüntü gömme vektörünü taklit ederek) nasıl alınıp PCA kullanılarak küçültüleceğini gösterir. Bu, YOLO26 gibi bir modelin benzer sınıfları nasıl gruplandırdığını görselleştirirken sık 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)