UK 
EnglishТипова
Polski📉 Зменшення розмірності: PCA, t-SNE та UMAP
Ця симуляція показує реальний PCA (власний розклад коваріаційної матриці), живу оптимізацію у стилі t-SNE зі збереженням сусідів та вкладення у стилі UMAP, що працюють на 3D-хмарах точок і проєктують їх у площину в реальному часі — три основні підходи до зменшення розмірності поруч один з одним.
Про цю симуляцію
Ця симуляція показує реальний PCA (власний розклад коваріаційної матриці), живу оптимізацію у стилі t-SNE зі збереженням сусідів та вкладення у стилі UMAP, що працюють на 3D-хмарах точок і проєктують їх у площину в реальному часі — три основні підходи до зменшення розмірності поруч один з одним.
🔬 Що показано
PCA знаходить осі найбільшої дисперсії шляхом власного розкладу коваріаційної матриці й проєктує дані на перші дві головні компоненти. t-SNE ітеративно переставляє точки в 2D, намагаючись зберегти локальну структуру сусідства з вихідного простору. UMAP будує подібний граф сусідства, але оптимізує іншу цільову функцію, що часто краще зберігає й глобальну структуру.
🎮 Як користуватись
Оберіть набір даних 3D-хмари точок і алгоритм (PCA, t-SNE або UMAP), запустіть проєкцію та спостерігайте, як точки переміщуються в 2D у реальному часі. Порівняйте, як кожен метод зберігає кластери й відстані з вихідного 3D-простору.
💡 Чи знали ви?
PCA — лінійний метод і завжди дає той самий результат для одного набору даних, тоді як t-SNE та UMAP — нелінійні й стохастичні методи, тож різні запуски можуть давати дещо різні розкладки, навіть якщо загальна структура кластерів зберігається.