DimensionReduce

DimensionReduce[{example1,example2,…}]

例 exampleiをより低次元の近似多様体に投影する．

DimensionReduce[examples,n]

n 次元空間の近似多様体に投影する．

詳細とオプション

  • DimensionReduceは，数値，テキスト，サウンド，画像，それらの組合せを含む，さまざまなタイプのデータに使うことができる．
  • 各 exampleiは，単一のデータ要素，データ要素のリスト，データ要素の連想，あるいはDatasetオブジェクトでよい．
  • DimensionReduce[examples]は，多様体を近似するのに適切な次元を自動選択する．
  • DimensionReduce[examples]はDimensionReduce[examples,Automatic]に等しい．
  • 使用可能なオプション
  • FeatureExtractor Identity学ぶべき対象から特徴をどのように抽出するか
    FeatureNamesAutomaticexampleiの要素に割り当てる名前
    FeatureTypes Automaticexampleiの要素について仮定する特徴タイプ
    Method Automatic使用する削減アルゴリズム
    PerformanceGoal Automaticパフォーマンスのどの面について最適化するか
    RandomSeeding1234どのような擬似乱数生成器のシードを内部的に使うべきか
    TargetDevice "CPU"そこで訓練を行うターゲットデバイス
  • PerformanceGoalの可能な設定
  • "Quality"最大削減品質
    "Speed"最大削減速度
  • Methodの可能な設定
  • Automatic自動選択されたメソッド
    "Autoencoder"訓練可能な自動エンコーダを使う
    "Hadamard"アダマール(Hadamard)行列を使ってデータを投影
    "Isomap"等長写像
    "LatentSemanticAnalysis"潜在的意味分析メソッド
    "Linear"最適な線形メソッドを自動的に選択する
    "LLE"局所的線形埋込み
    "MultidimensionalScaling"多次元スケーリング測度
    "PrincipalComponentsAnalysis"主成分分析メソッド
    "TSNE"-分布に従う確率近傍埋込みアルゴリズム
    "UMAP"一様多様体の近似と投影 (Uniform Manifold Approximation and Projection)
  • Method"TSNE"のときは，次のサブオプションがサポートされる．
  • "Perplexity"Automatic使用するパープレキシティ値
    "LinearPrereduction"Falset-SNEアルゴリズムの実行前に簡単な線形前減数を行うかどうか
  • RandomSeedingの可能な設定
  • Automatic関数が呼び出されるたびに自動的にシードを変える
    Inherited外部シードの乱数を使う
    seed明示的な整数または文字列をシードとして使う
  • DimensionReduce[…,FeatureExtractor"Minimal"]は，内部的な前処理はできる限り簡単にすべきであることを示している．

例題

すべて開くすべて閉じる

例  (2)

ベクトルの次元を削減する：

目標次元が1であると指定する：

混合タイプのデータ集合の次元を削減する：

スコープ  (6)

ランダムな3Dベクトルを作り，可視化する：

二次元に削減されたこのデータ集合を可視化する：

画像データ集合の次元を削減する：

テキストデータの次元を削減する：

DateObjectのリストの次元を削減する：

混合タイプのデータ集合の次元を削減する：

連想のリストの次元を削減する：

オプション  (6)

FeatureExtractor  (1)

カスタム関数と抽出器法で前処理されたテキストの次元を削減する：

FeatureTypes  (1)

単純なデータ集合の次元を削減する：

最初の特徴は数値として解釈される．FeatureTypesを使って最初の特徴の名目的解釈を強制する：

Method  (2)

t-SNEメソッドを使ってFisherのアヤメに関するデータ集合の次元を削減する：

削減されたデータ集合を可視化する：

別のパープレキシティ値を使って同じ操作を行う：

自動エンコーダメソッドを使って画像の次元を削減する：

削減されたデータ集合を可視化する：

PerformanceGoal  (1)

MNISTデータ集合をロードする：

PerformanceGoal"Quality"の設定で画像データの次元を削減し，訓練時間を測定する：

PerformanceGoal"Speed"を使って同じ操作を行う：

結果を可視化する：

TargetDevice  (1)

システムのデフォルトGPUに完全に連結された"AutoEncoder"を使ってベクトル次元を削減し，そのAbsoluteTimingを見る：

この時間をデフォルトのCPU計算を使って得た時間と比較する：

アプリケーション  (1)

データ集合の可視化  (1)

ExampleDataから，フィッシャー(Fisher)の「アヤメ」のデータ集合をロードする：

特徴の次元を削減する：

例を種によってグループ化する：

削減されたデータ集合を可視化する：

Wolfram Research (2015), DimensionReduce, Wolfram言語関数， https://reference.wolfram.com/language/ref/DimensionReduce.html （2018年に更新）.

テキスト

Wolfram Research (2015), DimensionReduce, Wolfram言語関数， https://reference.wolfram.com/language/ref/DimensionReduce.html （2018年に更新）.

CMS

Wolfram Language. 2015. "DimensionReduce." Wolfram Language & System Documentation Center. Wolfram Research. Last Modified 2018. https://reference.wolfram.com/language/ref/DimensionReduce.html.

APA

Wolfram Language. (2015). DimensionReduce. Wolfram Language & System Documentation Center. Retrieved from https://reference.wolfram.com/language/ref/DimensionReduce.html

BibTeX

@misc{reference.wolfram_2024_dimensionreduce, author="Wolfram Research", title="{DimensionReduce}", year="2018", howpublished="\url{https://reference.wolfram.com/language/ref/DimensionReduce.html}", note=[Accessed: 24-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_dimensionreduce, organization={Wolfram Research}, title={DimensionReduce}, year={2018}, url={https://reference.wolfram.com/language/ref/DimensionReduce.html}, note=[Accessed: 24-November-2024 ]}