Mësimi i shumëfishtë dhe reduktimi i dimensionalitetit linear trajtojnë të dhëna me dimensione të larta, por ato ndryshojnë thelbësisht në mënyrën se si e ruajnë strukturën. Metodat lineare supozojnë se të dhënat ndodhen në një hiperplan të sheshtë, ndërsa mësimi i shumëfishtë zbulon marrëdhënie të lakuara, jolineare. Zgjedhja midis tyre varet nëse gjeometria e brendshme e të dhënave tuaja është e sheshtë apo e lakuar.
Një klasë e teknikave jolineare që zbulojnë struktura të lakuara me dimensione të ulëta të fshehura brenda të dhënave me dimensione të larta.
Teknika që projektojnë të dhëna me dimensione të larta në nënhapësira me dimensione më të ulëta duke përdorur transformime lineare.
| Veçori | Mësim i Shumëfishtë | Reduktimi i Dimensionalitetit Linear |
|---|---|---|
| Supozimi Thelbësor | Të dhënat ndodhen në një manifold të lakuar me dimensione të ulëta | Të dhënat ndodhen në një nënhapësirë lineare të sheshtë |
| Struktura e Ruajtur | Kryesisht lagje lokale | Kryesisht varianca globale |
| Kostoja llogaritëse | Përgjithësisht më i lartë, shpesh O(n²) ose më keq | I ulët, zakonisht O(n·d²) ose më i shpejtë |
| Interpretueshmëria | Akset e poshtme rrallë kanë kuptim të drejtpërdrejtë | Më lart, komponentët shpesh lidhen me karakteristikat origjinale |
| Shkallëzueshmëria | I kufizuar, lufton përtej dhjetëra mijëra pikëve | Shkëlqyeshëm, trajton miliona mostra |
| Projeksion jashtë mostrës | Vështirë, kërkon metoda përafrimi | drejtpërdrejtë nëpërmjet shumëzimit të matricës |
| Rastet më të mira të përdorimit | Vizualizimi, modelet jolineare, imazhi dhe të dhënat biologjike | Kompresimi i veçorive, përpunimi paraprak, zvogëlimi i zhurmës |
| Algoritme Shembull | t-SNE, UMAP, Isomap, LLE | PCA, LDA, Analiza Faktoriale, SVD e Cunguar |
Ndarja më e madhe filozofike midis këtyre qasjeve qëndron në atë që ato besojnë në lidhje me formën e të dhënave tuaja. Reduktimi linear i dimensionalitetit i trajton të dhënat me dimensione të larta sikur të jetojnë në një hiperplan të sheshtë, ku vijat e drejta dhe projeksionet ortogonale kapin ndryshimin më të rëndësishëm. Mësimi i shumëfishtë mban pikëpamjen e kundërt, duke argumentuar se të dhënat e botës reale shpesh palosen dhe përkulen nëpër hapësirën me dimensione të larta si një copë letër e rrudhosur. Nëse e çrrudhosni atë letër, merrni një sipërfaqe 2D, dhe algoritmet e shumëfishtë përpiqen ta bëjnë pikërisht këtë matematikisht.
Metodat lineare si PCA janë kampione të strukturës globale. Ato sigurojnë që pikat larg njëra-tjetrës në hapësirën origjinale të mbeten larg njëra-tjetrës pas projeksionit, gjë që është shumë e mirë për të kuptuar variancën e përgjithshme, por mund të turbullojë grumbujt e imët. Mësimi i shumëfishtë e përmbys këtë përparësi, duke u përqendruar intensivisht në mbajtjen e pikave të afërta afër njëra-tjetrës. Kjo është arsyeja pse t-SNE dhe UMAP prodhojnë ato vizualizime mbresëlënëse ku grumbujt dalin qartë, edhe kur rregullimi global i këtyre grumbujve është disi arbitrar.
Kur grupet e të dhënave rriten, metodat lineare ecin përpara në mënyrë dramatike. PCA mund të llogaritet në mënyrë efikase duke përdorur dekompozimin eigendecomposition ose dekompozimin e vlerës së vetme, dhe bibliotekat si scikit-learn trajtojnë miliona rreshta me lehtësi. Algoritmet e shumëfishta, në të kundërt, shpesh kërkojnë ndërtimin e grafikëve të fqinjësisë që shkallëzohen dobët, dhe t-SNE në veçanti ka kompleksitet kuadratik në numrin e mostrave. UMAP e përmirësoi disi këtë, por të dyja ende mbeten shumë prapa metodave lineare për tubacionet në shkallë prodhimi.
Metodat lineare ofrojnë një avantazh të qartë kur duhet të shpjegoni se çfarë nënkuptojnë dimensionet e reduktuara. Komponentët PCA janë kombinime të ponderuara të karakteristikave origjinale, kështu që ju mund të inspektoni ngarkesat dhe të kuptoni se cilat variabla drejtojnë secilin bosht. Vendosjet e shumëfishta janë të njohura për opakun e tyre, me boshte që rrallë korrespondojnë me diçka të interpretueshme nga njeriu. Përveç kësaj, metodat lineare ju lejojnë të projektoni menjëherë pika të reja të të dhënave duke përdorur matricën e transformimit të mësuar, ndërsa metodat e shumëfishta shpesh kërkojnë rikualifikim ose përafrime komplekse për të trajtuar mostra të reja.
Zvogëlimi i dimensionalitetit linear mbetet zgjedhja e parazgjedhur për tubacionet e parapërpunimit, kompresimin e veçorive dhe situatat ku shpejtësia dhe interpretueshmëria kanë rëndësi. Mësimi i shumëfishtë fiton vlerën e tij kur të dhënat kanë qartë strukturë jolineare, imazhe mendore, spektrograme të të folurit ose profile të shprehjes së gjeneve, dhe kur qëllimi është eksplorimi dhe jo vendosja. Në praktikë, shumë shkencëtarë të të dhënave e ekzekutojnë PCA-në së pari si një bazë, pastaj i drejtohen metodave të shumëfishta vetëm kur projeksionet lineare nuk arrijnë të zbulojnë modele kuptimplote.
Mësimi i shumëfishtë gjithmonë ia kalon PCA-së sepse është më i sofistikuar.
Sofistikimi nuk do të thotë performancë më e mirë. PCA shpesh përputhet ose tejkalon metodat e shumëfishta në detyra si përpunimi paraprak i klasifikimit ose zvogëlimi i zhurmës. Mësimi i shumëfishtë shkëlqen në skenarë specifikë si vizualizimi, por për shumë detyra praktike të të mësuarit automatik, PCA është zgjedhja më e fortë.
t-SNE dhe UMAP ruajnë strukturën globale të të dhënave.
Të dyja metodat shtrembërojnë në mënyrë të qartë distancat globale për të theksuar lagjet lokale. Distanca midis grupimeve në një grafik t-SNE nuk mbart pothuajse asnjë informacion kuptimplotë dhe duhet interpretuar vetëm pozicioni relativ i pikave të afërta.
PCA supozon se të dhënat shpërndahen normalisht.
PCA nuk kërkon normalitet. Ai vetëm supozon se varianca është një sasi kuptimplote për t'u ruajtur dhe se kombinimet lineare të karakteristikave kapin strukturën e rëndësishme. Ai funksionon në një gamë të gjerë shpërndarjesh, megjithëse të dhënat me bisht të trashë mund të shtrembërojnë rezultatet.
Pasi të ekzekutoni t-SNE, mund ta përdorni ngulitjen si të dhëna hyrëse në një model rrjedhës së poshtme.
Përdorimi i integrimeve t-SNE ose UMAP si veçori për mësimin e mbikëqyrur në përgjithësi nuk rekomandohet sepse ato shtrembërojnë distancat dhe humbasin informacionin global. PCA ose metodat e tjera lineare janë zakonisht zgjedhje më të sigurta për tubacionet e inxhinierisë së veçorive.
Mësimi i shumëfishtë mund ta reduktojë çdo grup të dhënash në 2D pa humbje informacioni.
Çdo reduktim i dimensionalitetit përfshin humbje të informacionit. Metodat e shumëfishta ruajnë marrëdhëniet lokale, por sakrifikojnë besnikërinë globale, dhe reduktimi agresiv në 2D mund të fshehë variacione të rëndësishme që kanë rëndësi për detyrat në rrjedhën e poshtme.
Përdorni reduktimin e dimensionalitetit linear kur keni nevojë për shpejtësi, interpretueshmëri dhe projeksion të besueshëm jashtë mostrës, veçanërisht në tubacionet e të mësuarit automatik të prodhimit. Zgjidhni të mësuarit e shumëfishtë kur qëllimi juaj është vizualizimi eksplorues ose kur dyshoni për marrëdhënie të forta jolineare që PCA thjesht nuk mund t'i kapë. Fluksi më i zgjuar i punës shpesh përfshin provimin e PCA së pari dhe kalimin në metodat e shumëfishta vetëm kur pamja lineare dështon.
Agregimi i preferencave kombinon preferenca të shumta individuale në vendime kolektive, ndërsa modelimi i parashikimit individual parashikon sjelljen personale duke përdorur të mësuarit automatik në të dhënat e një përdoruesi të vetëm. Të dyja shërbejnë për qëllime të dallueshme në sistemet e inteligjencës artificiale, nga motorët e rekomandimeve deri te platformat demokratike të votimit.
Ky krahasim arkitektonik vë në kontrast inxhinierinë deterministe të Agjentëve të Bazuar në Rregulla me natyrën adaptive të të dhënave të Agjentëve të Bazuar në Mësim, duke vlerësuar zbatueshmërinë e tyre në botën reale, kufijtë e shkallëzimit dhe performancën në kushte pasigurie.
Ky udhëzues i detajuar shqyrton ndryshimet strukturore dhe operacionale midis agjentëve autonomë dhe sistemeve të automatizimit të skriptuar. Ndërsa mjetet e skriptuara ofrojnë parashikueshmëri të pakrahasueshme për rrjedha pune të ngurta dhe përsëritëse, agjentët inteligjentë modernë shfrytëzojnë arsyetimin kognitiv për të lundruar në mënyrë të pavarur në të dhëna të ndryshueshme, pengesa teknike të papritura dhe peizazhe të dhënash shumë komplekse dhe të pastrukturuara.
Agjentët autonomë të IA-së veprojnë në mënyrë të pavarur duke planifikuar, arsyetuar dhe ekzekutuar detyra shumë-hapëshe me ndërhyrje minimale njerëzore, ndërsa sistemet e IA-së të bazuara në shpejtësi u përgjigjen udhëzimeve individuale të përdoruesit, një ndërveprim në të njëjtën kohë. Dallimi kryesor qëndron në agjenci: agjentët ndjekin qëllimet nëpër seanca, ndërsa sistemet e shpejtësisë presin për drejtim.
Agjentët bisedorë përqendrohen në dialogun natyror dhe ndërveprimet e bazuara në tekst, ndërsa agjentët që përdorin mjete zgjerojnë aftësitë e IA-së duke thirrur funksione dhe API të jashtme. Të dy përfaqësojnë qasje të dallueshme ndaj sistemeve autonome të IA-së, me modelet bisedore që shkëlqejnë në komunikim dhe agjentët që përdorin mjete të specializuar në ekzekutimin e detyrave në botën reale.
