UMAP est Plus Rapide que t-SNE, mais Pas Nécessairement Meilleur : Analyse de PCA, t-SNE et UMAP

Dans le domaine de l'apprentissage automatique, les modèles peuvent analyser d'énormes quantités de données, semblables à avoir des milliers d'yeux. Alors que les humains perçoivent le monde en trois dimensions (3D), notre compréhension se traduit souvent par des représentations bidimensionnelles (2D). Cependant, les modèles fonctionnent dans un espace numérique, capables d'interpréter des images 2D et des structures 3D complexes tout en naviguant dans des dimensions encore plus élevées. Cette complexité nécessite de simplifier les données de haute dimension en un format plus gérable sans perdre les relations critiques entre les points de données. Pour y parvenir, diverses algorithmes ont été développés, PCA, t-SNE et UMAP étant parmi les plus connus. Bien que ces techniques produisent des représentations 2D visuellement similaires, elles reposent sur des principes mathématiques distincts. Cet article examine le fonctionnement interne de ces algorithmes, comparant leur performance et leur utilité dans l'analyse des données, en mettant particulièrement l'accent sur la rapidité d'UMAP par rapport à t-SNE et les avantages uniques de chaque méthode.