PCA, yüksek boyutlu verileri daha düşük boyutlu bir uzaya doğrusal olarak dönüştüren bir tekniktir. Veri setindeki varyasyonu en iyi açıklayan yeni eksenler (temel bileşenler) oluşturarak çalışır. Bu eksenler, orijinal veri boyutlarının doğrusal kombinasyonlarıdır.
=> Kullanım Alanları : Arkaplan çıkarma,Yüz tanıma sistemleri,Sinyal işleme uygulamaları,Boyu laneti problemi
Hiperparametreler
- n_components: Korunacak temel bileşen sayısı (boyut sayısı)
- svd_solver: Tekil değer ayrışımı (SVD) hesaplama yöntemi
- whiten: Bileşenlerin beyazlatılıp beyazlatılmayacağı (True/False)
- tol: Bileşen hesaplamada kullanılan tolerans değeri
- iterated_power: ARPACK SVD için güç iterasyonu sayısı
- random_state: Rastgelelik için tohum değeri
t-SNE, özellikle karmaşık veri yapılarını düşük boyutlu uzayda görselleştirmek için tasarlanmış doğrusal olmayan bir boyut indirgeme algoritmasıdır. Yüksek boyutlu uzaydaki benzerlik ilişkilerini düşük boyutlu uzayda korumaya çalışır.
=> Kullanım Alanları : Doğal dil işleme,Tıbbi görüntüleme
Hiperparametreler
- perplexity: Yerel komşuluk boyutunu kontrol eden parametre (5–50 arası değerler)
- early_exaggeration: Erken aşamada kümelerin ayrılmasını kontrol eden çarpan (4–12)
- learning_rate: Optimizasyon adım büyüklüğü (10–1000 arası önerilir)
- n_iter: Maksimum iterasyon sayısı (250–2000 arası)
- n_iter_without_progress: İlerleme olmadan geçecek iterasyon sayısı
- min_grad_norm: Durma kriteri için minimal gradyan normu
- metric: Yüksek boyutlu uzayda kullanılacak mesafe metriği (euclidean, manhattan, cosine, vb.)
- init: Başlangıç gömme konfigürasyonu (‘random’, ‘pca’, veya ndarray)
- n_jobs: Paralel hesaplama için iş parçacığı sayısı
Autoencoder, giriş verisini kendisi ile aynı çıktıyı üretecek şekilde kodlamayı öğrenen bir yapay sinir ağı türüdür. Encoder (kodlayıcı) girişi daha düşük boyutlu bir temsile sıkıştırır, decoder (kod çözücü) ise bu temsili orijinal boyuta geri genişletir.
=> Kullanım Alanları : Gürültü giderme,Görüntü iyileştirme
- encoding_dim: Kodlamanın boyutu (darboğaz katmanının boyutu)
- hidden_layers: Kodlayıcı ve kod çözücüdeki gizli katman sayısı ve boyutları
- activation: Aktivasyon fonksiyonları (relu, sigmoid, tanh)
- optimizer: Optimize edici algoritma (adam, sgd, rmsprop)
- loss: Kayıp fonksiyonu
- epochs: Eğitim için tekrar sayısı
- batch_size: Mini-batch boyutu
- regularization: Düzenlileştirme parametreleri (L1, L2)
- dropout_rate: Dropout oranı (aşırı öğrenmeyi önlemek için)
UMAP, t-SNE’nin daha hızlı ve ölçeklenebilir bir alternatifidir. Manifold öğrenme ve topolojik veri analizi prensiplerini kullanır. Hem yerel hem de international veri yapısını korumaya çalışır.
=> Kullanım Alanları : Switch öğrenme,Anomali tespiti
- n_neighbors: Yerel manifold yapısını belirlemek için komşu sayısı (2–100)
- min_dist: Düşük boyutlu uzaydaki noktalar arasındaki minimal mesafe (0.0–1.0)
- n_components: Çıktı boyutu (genellikle 2 veya 3)
- metric: Yüksek boyutlu uzayda kullanılacak mesafe metriği
- n_epochs: İterasyon sayısı
- learning_rate: Öğrenme hızı (0.001–1.0)
- repulsion_strength: İtici güç kuvveti
- negative_sample_rate: Negatif örnekleme oranı
- random_state: Rastgelelik tohum değeri
LLE, yerel doğrusal ilişkileri koruyarak düşük boyutlu gömme oluşturan doğrusal olmayan bir boyut indirgeme algoritmasıdır. Her veri noktasını komşularının bir doğrusal kombinasyonu olarak ifade eder.
=> Kullanım Alanları : Yüz tanıma,Hareket analizi,Doğal dil işleme
- n_neighbors: Yerel yapıyı belirlemek için komşu sayısı
- n_components: Çıktı boyutu
- reg: Düzenleştirme parametresi
- eigen_solver: Özdeğer problemi çözücü (‘auto’, ‘arpack’, ‘dense’)
- tol: Tolerans değeri
- max_iter: Maksimum iterasyon sayısı
- methodology: Ağırlık hesaplama yöntemi (‘commonplace’, ‘hessian’, ‘modified’, ‘ltsa’)
