UMAP — التقريب والإسقاط المنتظم للمشعبات (Uniform Manifold Approximation and Projection)
- قدّمه
- McInnes, L.; Healy, J.; Melville, J.
- السنة
- 2018
- النوع
- Nonlinear manifold-learning dimension reduction
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
UMAP (Uniform Manifold Approximation and Projection) هو طريقة سريعة وقابلة للتوسع لتقليل الأبعاد غير الخطية متجذرة في نظرية تعلم المشعبات (manifold-learning theory)، قدمها McInnes و Healy و Melville في عام 2018. وهي تضغط البيانات عالية الأبعاد إلى تضمين منخفض الأبعاد للتصور والتحليل اللاحق.
الفكرة الحدسية وراء الطريقة
البيانات الحقيقية ذات السمات العديدة غالباً ما تقع على سطح منحني ذي أبعاد أقل بكثير، أو مشعب (manifold)، مضمن في الفضاء عالي الأبعاد. تحاول UMAP تعلم شكل هذا السطح من كيفية تجمع النقاط بالقرب من جيرانها، ثم تفككه إلى بعدين أو ثلاثة أبعاد بحيث يصبح الهيكل مرئياً. مقارنةً بـ t-SNE، تميل إلى الاحتفاظ بالمزيد من التخطيط العام مع بقائها أسرع بكثير على مجموعات البيانات الكبيرة.
التاريخ
تم تقديم UMAP في عام 2018 بواسطة Leland McInnes و John Healy و James Melville، الذين بنوها على نظرية تعلم المشعبات كبديل أسرع وأكثر قابلية للتوسع لـ t-SNE. سرعان ما أصبحت أداة قياسية لتقليل الأبعاد والتصور، لا سيما في المجالات ذات البيانات عالية الأبعاد جدًا، لأنها تحافظ على المزيد من الهيكل العام مع التوسع لمجموعات البيانات الكبيرة.
متى تُستخدم
استخدم UMAP لتصور أو ضغط البيانات المستمرة عالية الأبعاد على حوالي 50 ملاحظة على الأقل، سواء كان ذلك للاستكشاف أو كخطوة معالجة مسبقة قبل التصنيف. يجب ضبط المعلمتين الفائقتين n_neighbors و min_dist على الهيكل الذي تهتم به، ويجب تثبيت بذرة عشوائية (random_state) للتكرار. أقل من حوالي 50 ملاحظة، لا يمكن تعلم المشعب بشكل موثوق، ويكون تحليل المكونات الرئيسية الخطي (PCA) هو الخيار الأكثر أمانًا.
الحدود والاعتبارات
- يمكن أن تكون المسافات بين المجموعات في التضمين مضللة ولا ينبغي الإفراط في تفسيرها.
- تعتمد النتائج على المعلمتين الفائقتين n_neighbors و min_dist، والتي يجب ضبطها.
- المخرجات ليست حتمية ما لم يتم تثبيت بذرة عشوائية (random_state).
- على العينات الصغيرة (n أقل من حوالي 50) لا يمكن تعلم المشعب بشكل موثوق ويصبح التصور مضللاً؛ PCA هو الأفضل.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- سريع وقابل للتوسع لمجموعات البيانات الكبيرة، أسرع بكثير من t-SNE.
- يحافظ على الهيكل العام بشكل أفضل من t-SNE مع الاستمرار في التقاط المجموعات المحلية.
- يلتقط الهيكل غير الخطي الذي لا تستطيع الطرق الخطية مثل PCA التقاطه.
- ينتج تضمينات ثنائية أو ثلاثية الأبعاد مناسبة للتصور.
التطبيقات
- تصور البيانات المستمرة عالية الأبعاد في بعدين أو ثلاثة أبعاد.
- التحليل الاستكشافي للكشف عن المجموعات والهيكل قبل النمذجة الرسمية.
- تقليل الأبعاد كخطوة معالجة مسبقة قبل التصنيف.
- ضغط مجموعات البيانات الكبيرة ذات الميزات الكثيرة حيث السرعة مهمة.
كيف يعمل
كيف يعمل
تبني UMAP أولاً رسماً بيانياً مرجحاً للجوار للبيانات عالية الأبعاد: يتم توصيل كل نقطة بجيرانها الأقرب، ويتم التحكم في ذلك بواسطة المعلمة الفائقة n_neighbors، والتي تحدد مقدار الهيكل المحلي مقابل الهيكل العام الذي يتم التقاطه. هذا الرسم البياني هو تقريب UMAP للمشعب الأساسي.
ثم يتم تحسين تخطيط منخفض الأبعاد بحيث يتطابق رسمه البياني للجوار الخاص به مع الرسم البياني عالي الأبعاد بأكبر قدر ممكن، عن طريق تقليل الإنتروبيا التقاطعية (cross-entropy) بين تمثيلي الرسم البياني. تتحكم المعلمة الفائقة min_dist في مدى إحكام تجميع النقاط معًا، مما يشكل كثافة المجموعات الناتجة.
الصيغة
Y = \arg\min_{Y} \; \text{cross-entropy}(G_{\text{high}}, G_{\text{low}})النتيجة هي تضمين ثنائي أو ثلاثي الأبعاد حيث تتوضع الملاحظات المتشابهة بالقرب من بعضها البعض، جاهزة للرسم أو للتغذية في التجميع أو التصنيف. يتم الحفاظ على أشكال المجموعات، ولكن يجب قراءة المسافات بين المجموعات بحذر، وهناك حاجة إلى بذرة عشوائية ثابتة (random_state) للحصول على مخرجات قابلة للتكرار.
الأخطاء الشائعة
- قراءة المسافات بين المجموعات كما لو كانت كميات ذات معنى.
- ترك n_neighbors و min_dist على القيم الافتراضية بدلاً من ضبطها على البيانات.
- نسيان تعيين بذرة عشوائية (random_state)، بحيث لا يمكن تكرار التضمين.
- تشغيل UMAP على أقل من حوالي 50 ملاحظة والثقة في الرسم الناتج.
الأسئلة الشائعة
كيف تختلف UMAP عن t-SNE؟
كلاهما طرق غير خطية لتصور البيانات عالية الأبعاد، ولكن UMAP مبنية على نظرية تعلم المشعبات، وتميل إلى الحفاظ على الهيكل العام بشكل أفضل، وهي أسرع بكثير على مجموعات البيانات الكبيرة.
هل يمكنني تفسير المسافات بين المجموعات في الرسم؟
كن حذرًا. تحافظ UMAP على أشكال المجموعات، ولكن المسافات بين المجموعات يمكن أن تكون مضللة ولا ينبغي قراءتها ككميات دقيقة.
أي المعلمات الفائقة هي الأكثر أهمية؟
تتحكم n_neighbors في التوازن بين الهيكل المحلي والعام، وتتحكم min_dist في مدى تجميع النقاط معًا. يجب ضبط كليهما، ويجب تثبيت بذرة عشوائية (random_state) بحيث يمكن تكرار التضمين.
ماذا لو كان لدي عدد قليل جدًا من الملاحظات؟
أقل من حوالي 50 ملاحظة، لا يمكن تعلم المشعب بشكل موثوق ويصبح التضمين مضللاً. في هذه الحالة، تكون طريقة خطية مثل PCA هي الخيار الأكثر أمانًا.
طرق ذات صلة
المصادر
McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426.
افتح مرجع المنشورتم النسخ.