Level: Mittelstufe
Meijian Guan, JMP Research Statistician Entwickler, SAS
Hochdimensionale Datensätze können sehr schwer zu visualisieren sein. In letzter Zeit wurden nichtlineare Dimensionsreduktions- und Visualisierungsalgorithmen, insbesondere t-Distributed Stochastic Neighbour Embedding (t-SNE) und Uniform Manifold Approximation and Projection (UMAP), in großem Umfang auf verschiedene Forschungsbereiche wie Bildverarbeitung, Text Mining und Genomics angewendet. Sie unterscheiden sich von Methoden zur linearen Dimensionsreduktion, z. B. der Hauptkomponentenanalyse (PCA), indem nur kleine paarweise Abstände oder lokale Ähnlichkeiten beibehalten werden, während PCA große paarweise Abstände beibehalten soll, um die Varianz zu maximieren.
Während JMP in aktuellen Releases weder t-SNE noch UMAP implementiert, bietet die benutzerfreundliche R / Python-Oberfläche Benutzern einen schnellen und einfachen Zugriff auf diese Open-Source-Pakete. In dieser Präsentation wird ein JMP-Add-In vorgestellt, das den Zugriff auf t-SNE- und UMAP-Algorithmen ermöglicht. Es bietet eine benutzerfreundliche Oberfläche, die Datentabellennavigation, Datenqualitätskontrolle, Sparsity-Handling, intuitive Parametrisierung und interaktive Interpretation der Ergebnisse ermöglicht.
In der Demonstration werden handgeschriebene MNIST-Zifferndaten und ein Maus-Einzelzell-Sequenzierungsdatensatz verwendet, der aus> 100.000 Zellen aus 20 Organen besteht. Die Ergebnisse von PCA, t-SNE und UMAP werden visualisiert und verglichen. Wir werden auch zeigen, wie JMP wissenschaftliche Entdeckungen durch seine hohe Interaktivität erleichtert.
