레벨: 중급
Meijian Guan, JMP Research Statistician Developer, SAS
고차원 데이터 세트는 시각화하기가 매우 어려울 수 있습니다. 최근 비선형 차원 축소 및 시각화 알고리즘, 특히 t-Distributed Stochastic Neighbor Embedding(t-SNE) 및 uniform manifold approximation and project(UMAP)가 이미지 처리, 텍스트 마이닝 및 유전체학과 같은 다양한 연구 분야에 널리 적용되었습니다. 이러한 알고리즘은 주성분 분석(PCA)과 같은 선형 차원 축소 방법과 달리 작은 쌍별 거리 또는 지역적 유사성만 보존하는 반면, PCA는 분산을 최대화하기 위해 큰 쌍별 거리를 보존하는 데 관심이 있습니다.
JMP는 현재 릴리스에서 t-SNE 또는 UMAP를 구현하지 않지만 사용자 친화적인 R/Python 인터페이스는 사용자에게 이러한 오픈 소스 패키지에 대한 빠르고 쉬운 액세스를 제공합니다. 이 프레젠테이션에서는 t-SNE 및 UMAP 알고리즘에 대한 액세스를 제공하는 JMP 추가 기능을 시연합니다. 데이터 테이블 탐색, 데이터 품질 관리, 희소성 처리, 직관적 매개변수화 및 대화형 결과 해석을 가능하게 하는 사용자 친화적인 인터페이스를 제공합니다.
MNIST 손으로 쓴 숫자 데이터와 20개 장기의 100,000개 이상의 세포로 구성된 마우스 단일 세포 시퀀싱 데이터 세트가 시연에 사용됩니다. PCA, t-SNE 및 UMAP의 결과가 시각화되고 비교됩니다. 또한 JMP가 높은 상호 작용을 통해 과학적 발견을 어떻게 촉진하는지 보여드리겠습니다.
