Metody redukce dimenze pro dataset funkční mapy světa

Abstract

Algoritmy redukce dimenze jsou skvělé pro hlubší pochopení datového souboru. V posledních letech jsme viděli růst algoritmů pro výběr prvků, konkrétně podtřídy sousedních grafů. V této práci jsme se zaměřili na nejmodernější algoritmus UMAP a aplikovali jsme na nejmodernější datový soubor fMoW. Poté porovnáme výsledky UMAP se starší konkurenční metodou t-SNE. Podíváme se na silné a slabé stránky obou metod a možné obtíže při aplikaci na komplexní datový soubor fMoW. Na základě těchto výsledků implementujeme a školíme neuronovou síť EfficientNet na datovém souboru fMoW.

Dimensionality reduction algorithms are great for a deeper understanding of the dataset. In recent years we saw grow of feature selection algorithms more specifically subclass of neighbor graphs. In this work, we focused on the state of the art algorithm UMAP and applicated for the state of the art fMoW dataset. We then compare UMAP results, with older competing method t-SNE. We look at there strengths and weaknesses of both methods and possible difficulties in the application on the complex fMoW dataset. Based on these results, we implement and trained EfficientNet neural network on the fMoW dataset.