ترجمه فارسی مقاله ساعت ویژگی: اثرات ابعاد بالا در نمودارهای دو بعدی

چکیده

Humans struggle to perceive and interpret high-dimensional data. Therefore, high-dimensional data are often projected into two dimensions for visualization. Many applications benefit from complex nonlinear dimensionality reduction techniques, but the effects of individual high-dimensional features are hard to explain in the two-dimensional space. Most visualization solutions use multiple two-dimensional plots, each showing the effect of one high-dimensional feature in two dimensions; this approach creates a need for a visual inspection of k plots for a k-dimensional input space. Our solution, Feature Clock, provides a novel approach that eliminates the need to inspect these k plots to grasp the influence of original features on the data structure depicted in two dimensions. Feature Clock enhances the explainability and compactness of visualizations of embedded data and is available in an open-source Python library.

چکیده به فارسی (ترجمه ماشینی)

انسانها برای درک و تفسیر داده های با ابعاد بالا تلاش می کنند.بنابراین ، داده های با ابعاد بالا اغلب برای تجسم به دو بعد پیش بینی می شوند.بسیاری از برنامه ها از تکنیک های پیچیده کاهش ابعاد غیرخطی بهره مند می شوند ، اما اثرات ویژگی های خاص با ابعاد بالا در فضای دو بعدی دشوار است.بیشتر راه حل های تجسم از چندین توطئه دو بعدی استفاده می کنند که هر کدام اثر یک ویژگی با ابعاد بالا را در دو بعد نشان می دهد.این رویکرد نیاز به یک بازرسی بصری از توطئه های K برای فضای ورودی K بعدی ایجاد می کند.راه حل ما ، ساعت ویژگی ، یک رویکرد جدید را ارائه می دهد که نیاز به بازرسی از این توطئه های K را برای درک تأثیر ویژگی های اصلی بر ساختار داده های نشان داده شده در دو بعد از بین می برد.ساعت ویژگی ، توضیح و فشرده سازی تجسم داده های تعبیه شده را تقویت می کند و در یک کتابخانه با منبع باز پایتون موجود است.