UMAP Быстрее t-SNE, Но Не Лучше: Анализ PCA, t-SNE и UMAP

В области машинного обучения модели способны обрабатывать огромные объемы данных, как будто у них тысячи глаз. Люди воспринимают мир в трех измерениях (3D), но часто представляют его в двухмерных (2D) проекциях. Модели же функционируют в цифровом пространстве, способны интерпретировать 2D изображения и сложные 3D структуры, а также работать с более высокими измерениями. Эта сложность требует упрощения многомерных данных в более удобный формат, сохраняя важные взаимосвязи между данными. Для этого разработаны различные алгоритмы, среди которых наиболее известны PCA, t-SNE и UMAP. Хотя эти методы дают визуально схожие 2D представления, они основываются на разных математических концепциях. В данной статье рассматриваются внутренние механизмы этих алгоритмов, сравнивается их производительность и полезность в анализе данных, с акцентом на скорость UMAP по сравнению с t-SNE и уникальные преимущества каждого метода.