DLeX: AI Python

☄️ کاهش ابعاد و Visualization در یادگیری ماشین

👉 @NeuralBlackMagic

👨🏻‍🏫 وقتی داده‌ها ابعاد زیادی دارند، دیدن الگوها و روابط بین نمونه‌ها سخت می‌شود. کاهش ابعاد به ما کمک می‌کند تا این الگوها را در فضاهای قابل دیدن (۲ یا ۳ بعدی) مشاهده کنیم.

🔍 یکی از رویکردهای کاهش ابعاد با هدف بصری‌سازی،
Multidimensional Scaling (MDS)
است.
این روش فاصله یا شباهت بین داده‌ها را حفظ می‌کند و داده‌های ابعاد-بالا را در یک فضای کم‌بعد Embed می‌کند، طوری که روابط بین نقاط تا حد امکان حفظ شود.

📊 در این مثال ساده، داده‌های ابعاد بالا ۳ بعدی بوده و با کمک رویکرد MDS به ۲ بعد نگاشت داده شده‌اند و فاصله نسبی داده‌های کلاس‌های مختلف در این نگاشت حفظ شده‌است.

💻 پیاده‌سازی با استفاده از Scikit-learn 🤗:

👉 @NeuralBlackMagic

from sklearn.manifold import MDS
embedding = MDS(n_components=2) # n_components=d
x_lowdim = embedding.fit_transform(x_highdim)
# x_highdim: (N, D), x_lowdim: (N, d), d<<D

📚 مطالعه بیشتر:
● مقاله اصلی:
MDS: Multidimensional scaling: I. Theory and method, Torgerson, W.S. (1952).

Follow for daily doses of AI Magic
@NeuralBlackMagic

Please open Telegram to view this post

VIEW IN TELEGRAM

www.tgoop.com/ai_python/17813

1.62K viewsNaviD DariYa, Oct 8 at 08:32

☄️ کاهش ابعاد و Visualization در یادگیری ماشین

👉 @NeuralBlackMagic

👨🏻‍🏫 وقتی داده‌ها ابعاد زیادی دارند، دیدن الگوها و روابط بین نمونه‌ها سخت می‌شود. کاهش ابعاد به ما کمک می‌کند تا این الگوها را در فضاهای قابل دیدن (۲ یا ۳ بعدی) مشاهده کنیم.

🔍 یکی از رویکردهای کاهش ابعاد با هدف بصری‌سازی،
Multidimensional Scaling (MDS)
است.
این روش فاصله یا شباهت بین داده‌ها را حفظ می‌کند و داده‌های ابعاد-بالا را در یک فضای کم‌بعد Embed می‌کند، طوری که روابط بین نقاط تا حد امکان حفظ شود.

📊 در این مثال ساده، داده‌های ابعاد بالا ۳ بعدی بوده و با کمک رویکرد MDS به ۲ بعد نگاشت داده شده‌اند و فاصله نسبی داده‌های کلاس‌های مختلف در این نگاشت حفظ شده‌است.

💻 پیاده‌سازی با استفاده از Scikit-learn 🤗:

👉 @NeuralBlackMagic

from sklearn.manifold import MDS
embedding = MDS(n_components=2) # n_components=d
x_lowdim = embedding.fit_transform(x_highdim)
# x_highdim: (N, D), x_lowdim: (N, d), d<<D