تکنیک یادگیری ماشین در هوش مصنوعی به صورت مستقیم با انبوهی از داده‌ها سروکار دارد. در مدل‌های یادگیری ماشینی از انبوه داده‌ها برای آموزش مدل استفاده می‌کنند. داده‌هایی که برای آموزش مدل در نظر گرفته می‌شود، می‌تواند ویژگی‌ها و خصوصیات مختلف و متنوع مخصوص به خود را داشته باشد و این ویژگی‌ها می‌توانند از داده‌ای به دادة دیگر متفاوت باشد. ویژگی‌هایی مثل رنگ، اندازه، وزن و خیلی چیزهای دیگر. تعداد ویژگی‌های داده‌ها برای آموزش مدل با سرعت پردازش آنها رابطه مستقیم دارد. به این معنی که هرچه تعداد ویژگی‌های مدل‌های بیشتر باشد زمان پردازش و هزینه زمانی هم افزایش پیدا خواهد کرد؛ لذا یکی از چالش‌های بر سر راه آموزش مدل‌های هوش مصنوعی کاهش این ویژگی‌هاست. اگر بتوان در داده‌های آموزشی ویژگی‌ها یا همان ابعاد اضافه را حذف کرد، می‌توان عملکرد و سرعت پردازش و آموزش مدل را به شکل چشمگیری کاهش داد. کاهش ابعاد یا Dimensionality Reduction در یادگیری ماشین دقیقاً به همین مفهوم اشاره دارد. با تکنیک کاهش ابعاد در مدل‌های یادگیری ماشین می‌توان این چالش بر سر راه آموزش مدل‌ها را تا حد چشمگیری هموار کرد. در ادامه قصد داریم بیشتر با این تکنیک در یادگیری ماشین آشنا شویم و ابعاد مختلف آن را بررسی کنیم و ببینیم که این تکنیک دقیقاً چطور کار می‌کند. در ادامه با آرتیجنسهمراه باشید. 

کاهش ابعاد در یادگیری ماشین چیست؟

داده‌هایی که برای آموزش مدل‌های یادگیری ماشین مورد استفاده قرار می‌گیرد، می‌تواند دارای ویژگی‌های بی‌شماری باشد که خصوصیات داده‌ها را توضیح می‌دهد. این ویژگی‌ها می‌تواند مؤلفه‌هایی مثل اندازه، وزن، رنگ و دیگر ویژگی‌های مربوط به داده‌ها باشد. ازدیاد این ویژگی‌ها در داده‌ها باعث عدم وضوح در داده‌ها و عدم توانایی در تشخیص ویژگی‌های مهم و حیاتی از ویژگی‌های غیر ضروری می‌شود. از طرفی با افزایش تعداد ویژگی‌ها در داده‌های آموزشی، تعداد پارامترها هم افزایش پیدا کرده و به موازات آن سرعت پردازشی و محاسباتی مدل کاهش میابد. این کاهش راندمان در پردازش و توان محاسباتی به صورت مستقیم روی پروسه آموزش مدل و پیش بینی تأثیر منفی می‌گذارد؛ لذا حذف ویژگی‌های غیر ضروری در داده‌ها و تلاش برای به حداقل رساندن آنها یکی از چالش‌های بر سر راه آموزش مدل‌های مبتنی بر یادگیری ماشین است. این مشکل با به‌کارگیری تکنیکی به اسم کاهش ابعاد یا Dimensionality Reduction قابل حل است. این تکنیک قادر است با استفاده از روش‌های مختلفی مثل PCA اقدام به کاهش ابعاد یا همان ویژگی‌های کم اهمیت در داده‌ها کند و صرفاً داده‌هایی را حفظ کند که از اهمیت بالایی برخوردار است. استفاده از این تکنیک برای کنار گذاشتن داده‌های غیر ضروری، تأثیری چشمگیری در فراِیند آموزش مدل دارد.

کاهش ابعاد چرا در یادگیری ماشین مهم است؟

علی‌رغم توضیحاتی که در مورد تکنیک کاهش ابعاد در داده‌های آموزشی مدل‌های یادگیری ماشین و یادگیری عمیق ارائه شد، شاید هنوز این سؤال پیش بیاید که کاهش ابعاد چرا در یادگیری ماشینی تا این حد مهم است. در این بخش از مقاله قصد داریم اهمیت این تکنیک در یادگیری ماشین را مروری کنیم و در مورد هر کدام توضیحاتی ارائه دهیم:

کاهش پیچیدگی محاسباتی: 

با کاهش تعداد ویژگی‌ها در داده‌های آموزشی، پیچیدگی محاسباتی در مدل‌ها کاهش می‌یابد، چرا که ابعاد کمتر برابر با کاهش تعداد پارامترهای مورد نیاز برای آموزش مدل است. با کاهش ابعاد در داده‌های آموزشی و به موازات آن کاهش بار محاسباتی باعث می‌شود هزینه زمانی پروسه آموزش و پیش بینی مدل هم کاهش چشمگیری داشته باشد. 

جلوگیری از overfitting بیش از ‌اندازه: 

بالا بودن تعداد ویژگی‌ها احتمال overfitting نیز افزایش می‌دهد. کاهش ابعاد دقیقاً می‌تواند این احتمال را معکوس کند و باعث عملکرد بهتر مدل در داده‌های جدید شود. overfitting حالی در آموزش مدل می‌باشد که مدل با داده‌های آموزشی بیش از حد تطابق پیدا می‌کند و بیش از حد به جزئیات و نویزهای غیر ضروری می‌پردازد.

حفظ اطلاعات مهم: 

کاهش ابعاد باعث ایجاد وضوح در داده‌های آموزشی می‌شود. با استفاده از این وضوح می‌توان داده‌های مهم و ضروری را از داده‌های غیر ضروری تفکیک کرد و داده‌های مهم را حفظ و داده‌های غیر ضروری را حذف کرد. با کاهش ابعاد یکی از مشکلات رایج در داده‌های آموزشی که تشخیص داده‌های مهم از داده‌های غیر ضروری در میان انبوه داده‌های آموزشی است، حل می‌شود.

ارتقا قابلیت تفسیر: 

یکی دیگر از تأثیرات مثبت کاهش ابعاد در داده‌های آموزشی افزایش قابلیت تفسیر بیشتر در نتایج به دست آمده از مدل‌هاست. این مورد می‌تواند در فهم بهتر فرایندهای داده‌ها و آموزش مدل بسیار مهم باشد. 

آشنایی با روش‌های کاهش ابعاد در یادگیری ماشین:

حالا که با مفهوم کاهش ابعاد در یادگیری ماشین آشنا شدیم و شناخت نسبی نسبت به آن پیدا کردیم بهتر است کمی هم با روش‌های کاهش ابعاد آشنا شویم و بررسی کنیم که از چه روش‌هایی می‌توان برای کاهش ابعاد در داده‌های آموزشی استفاده کرد. در زیر این روش‌ها آورده شده و در مورد هر کدام توضیحات کوتاهی ارائه شده است:

تحلیل ترکیبی اصلی (PCA):

PCA یکی از معروف‌ترین روش‌های کاهش ابعاد در داده‌های آموزشی است که کوتاه شده عبارت Principal Component Analysis می‌باشد. این روش از کاهش ابعاد از تجزیه و تحلیل ماتریس کوواریانس برای یافتن جهت‌های اصلی داده‌ها استفاده می‌کند. با استفاده از PCA، ابعاد داده‌ها را به تعداد کمتری از جهت‌های اصلی کاهش می‌دهیم.

تحلیل ترکیبی اصلی مرکب (Kernel PCA):

این روش حالت دیگری از روش PCA است که برای کاهش ابعاد داده‌های آموزشی از تکنیک‌های هسته‌گذاری استفاده می‌کند. به این معنا که Kernel PCA  به ما اجازه می‌دهد، داده‌هایی که قابل تفکیک در فضای ابعاد بالاتر نیستند را در فضا با ابعاد کمتر تفکیک کنیم.

روش‌های مبتنی بر انواع خاص داده:

برای برخی از حالات، روش‌های خاصی برای کاهش ابعاد وجود دارند که مستقیماً به ویژگی‌های خاص داده‌ها و کاربردهای خاص مربوط هستند. برای مثال، در پردازش تصویر، می‌توان از روش‌هایی مانند تجزیه‌ی تنگنایی مبتنی بر دیکشنری استفاده کرد.

نتیجه گیری:
داده‌ها را می‌توان به مثال سوخت برای آموزش مدل‌های مبتنی یادگیری ماشین در نظر گرفت. آموزش مدل‌های هوش مصنوعی به شدت وابسته به داده‌ها هستند و این داده‌ها هستند که می‌توانند به مدل کمک کنند تا مسائل مختلف را یاد گرفته و درک کند. اما کار با داده‌ها در آموزش مدل‌ها چندان هم ساده نیست تا جایی که بخشی از علم هوش مصنوعی را زیرشاخه‌ای به نام دیتا ساینز یا دانش داده در بر گرفته است. داده‌ها قبل از پردازش برای آموزش مدل باید نرمالیزه شده و داده‌های اضافه و ناکارآمد از میان آنها حذف شود و در مراحل بعدی ویژگی‌ها و ابعاد اضافی در داده‌های باقی مانده هم حذف شود تا در نهایت به یک مجموعه داده استاندارد برای آموزش مدل برسیم. نرمالیزه کردن داده‌ها و حذف ویژگی‌های اضافی در داده‌ها توسط تکنیک‌های مختلفی انجام می‌شود که در این مقاله با یکی از آنها آشنا شدیم. تکنیک کاهش ابعاد یا Dimensionality Reduction یکی از این تکنیک‌ها بود و در کاهش ابعاد و حذف ویژگی‌های اضافی داده‌ها مورد استفاده قرار می‌گرفت. استفاده از این تکنیک برای دستیابی به داده‌های کارآمد و به اصلاح تمیز برای بهبود عملکرد مدل در پروسه آموزش بسیار مهم است؛ لذا می‌توان نتیجه گرفت که تکنیک کاهش ابعاد در مدل‌های یادگیری ماشین جز لاینفک این شاخه از علم هوش مصنوعی است.