Naslov diplomskega dela: Primerjava metod FreeViz in SPCA za vizualizacijo podatkov z nadzorovanim zmanjšanjem dimenzij

Povzetek:

V diplomskem delu obravnavamo metodi za nadzorovano zmanjšanje dimenzionalnosti, FreeViz in nadzorovan PCA, ki omogočata interpretabilno vizualizacijo visokodimenzionalnih podatkov v dvodimenzionalnem prostoru. Obe metodi smo reimplementirali v ogrodju PyTorch z uporabo strojnega odvajanja, kar poenostavi optimizacijo v primerjavi z izvirnima implementacijama. SPCA smo prilagodili za klasifikacijske probleme z uvedbo klasifikatorja v latentnem prostoru in izmenične optimizacije na Grassmannovi mnogoterosti. Metodi smo kvalitativno in kvantitativno primerjali na treh klasifikacijskih podatkovnih množicah. Rezultati kažejo, da obe metodi kljub različnima optimizacijskima pristopoma - FreeViz izhaja iz fizikalne metafore sil, SPCA iz večciljne optimizacije ohranjanja variance in napovedne točnosti - oblikujeta podobne projekcije. SPCA dosledno dosega nekoliko višjo klasifikacijsko točnost, kar gre predvsem na račun neposredne optimizacije napovedne uspešnosti in uporabe naučenega klasifikatorja namesto metode k-najbližjih sosedov. Obe metodi sta primerni za razložljivo strojno učenje, kjer želimo poleg napovedi razumeti tudi vpliv posameznih značilk.

Mentor: prof. dr. Blaž Zupan

Komisija za zagovor:

    - izr. prof. dr. Tomaž Curk, Predsednik

    - doc. dr. Jana Faganeli Pucer, Član

    - prof. dr. Blaž Zupan, Mentor