DE 
EnglishStandard
Українська
Polski📉 Dimensionsreduktion: PCA, t-SNE & UMAP
Beobachten Sie echte PCA (Kovarianz-Eigenzerlegung), eine live t-SNE-artige nachbarschaftserhaltende Optimierung und eine UMAP-artige Einbettung auf 3D-Punktwolken, die in Echtzeit auf 2D projiziert werden.
Über diese Simulation
Dieser Visualisierer führt echte PCA-, t-SNE- und UMAP-artige Algorithmen auf einer 3D-Punktwolke aus und projiziert die Daten in Echtzeit auf zwei Dimensionen, sodass Sie direkt sehen, wie jede Methode Struktur bewahrt oder verzerrt.
🔬 Was gezeigt wird
Die Simulation berechnet eine echte Kovarianz-Eigenzerlegung für PCA sowie iterative, nachbarschaftserhaltende Optimierungen im Stil von t-SNE und UMAP und animiert den Übergang von 3D zu 2D.
🎮 Bedienung
Wählen Sie einen Algorithmus, passen Sie dessen Parameter an und beobachten Sie, wie sich Cluster in der 2D-Projektion formen oder auflösen.
💡 Wussten Sie schon?
t-SNE wurde 2008 von Laurens van der Maaten und Geoffrey Hinton vorgestellt und ist bis heute eines der beliebtesten Werkzeuge zur Visualisierung von Deep-Learning-Embeddings.
Häufig gestellte Fragen
Was ist Dimensionsreduktion?
Dimensionsreduktion überführt hochdimensionale Daten in einen niedriger-dimensionalen Raum (meist 2D oder 3D), wobei möglichst viel der ursprünglichen Struktur erhalten bleibt. Das erleichtert Visualisierung, Rauschunterdrückung und die Beschleunigung nachgelagerter Algorithmen des maschinellen Lernens.
Wie unterscheiden sich PCA, t-SNE und UMAP?
PCA ist eine lineare Methode, die die Richtungen größter Varianz mittels Eigenzerlegung der Kovarianzmatrix findet. t-SNE erhält lokale Nachbarschaften, indem es paarweise Ähnlichkeiten in hoher und niedriger Dimension über eine KL-Divergenz angleicht. UMAP verfolgt ein ähnliches Ziel mit einer anderen mathematischen Grundlage und ist meist schneller sowie besser in der Erhaltung globaler Struktur.
Wie bediene ich diese Simulation?
Wählen Sie einen der drei Algorithmen aus, beobachten Sie, wie sich die 3D-Punktwolke live auf eine 2D-Ebene projiziert, und passen Sie Parameter wie Perplexität (t-SNE) oder Anzahl der Nachbarn (UMAP) an.
Wofür wird Dimensionsreduktion in der Praxis eingesetzt?
Sie wird zur Visualisierung hochdimensionaler Datensätze (z. B. Genexpression, Bild-Embeddings, Worteinbettungen), zur Datenkompression, zum Entrauschen vor dem Training eines Modells und zur Explorationsanalyse in nahezu jedem Bereich des maschinellen Lernens eingesetzt.