Pengelompokan gambar menggunakan analisis diskriminan linier (LDA) dibandingkan dengan T-SNE / UMAP

1. Apakah umap lebih baik dari t-sne?
2. Mengapa LDA lebih baik?
3. Apakah UMAP lebih baik dari PCA?
4. Apa perbedaan utama antara LDA dan PCA?

Apakah umap lebih baik dari t-sne?

Berkat solusi dalam membangun grafik dimensi tinggi, UMAP secara teoritis menghemat lebih banyak waktu dan biaya perhitungan daripada T-SNE. Dilaporkan bahwa pengurangan dimensi dataset dari 784-D menjadi 3-D hanya membutuhkan UMAP 3 menit, sementara itu mengambil T-SNE 45!

Mengapa LDA lebih baik?

Keuntungan LDA adalah menggunakan informasi dari kedua fitur untuk membuat sumbu baru yang pada gilirannya meminimalkan varians dan memaksimalkan jarak kelas dari dua variabel.

Apakah UMAP lebih baik dari PCA?

UMAP mengungguli T-SNE dan PCA, jika kita melihat plot 2D dan 3D, kita dapat melihat cluster mini yang dipisahkan dengan baik. Ini sangat efektif untuk memvisualisasikan cluster atau kelompok titik data dan kedekatan relatifnya.

Apa perbedaan utama antara LDA dan PCA?

PCA adalah algoritma pembelajaran tanpa pengawasan sementara LDA adalah algoritma pembelajaran yang diawasi. Ini berarti bahwa PCA menemukan arah varians maksimum terlepas dari label kelas sementara LDA menemukan arah pemisahan kelas maksimum.