Machine_Learning(ML)

차원 축소 - LLE (2)

Excelsior-JH 2018. 9. 6. 14:30

차원 축소 - Locally Linear Embedding (LLE)

이번 포스팅은 Nonlinear Dimensionality Reduction by Locally Linear Ebedding (Roweis et.al) 논문과 핸즈온 머신러닝 교재를 가지고 공부한 것을 정리한 것입니다.


1. LLE - Locally Linear Embedding 란?

LLE(Locally Liner Embedding, 지역 선형 임베딩)는 Nonlinear Dimensionality Reduction by Locally Linear Ebedding (Roweis et.al) 논문에서 제안된 알고리즘이다. LLE는 비선형 차원 축소(NonLinear Dimensionality Reduction, NLDR) 기법으로 '차원 축소 - PCA, 주성분분석 (1)' 포스팅에서 살펴본 PCA와 달리 투영(projection)이 아닌 매니폴드 학습(manifold learning) 이다.



LLE는 머신러닝 알고리즘 중 Unsupervised Learning에 해당하며, 서로 인접한 데이터들을 보존(neighborhood-preserving)하면서 고차원인 데이터셋을 저차원으로 축소하는 방법이다. 즉, LLE는 입력 데이터셋을 낮은 차원의 단일 글로벌 좌표계(single global coordinate system)으로 매핑하는 알고리즘이다.



2. LLE 알고리즘

LLE의 과정은 아래 논문의 그림과 같이 크게 세 단계로 나눌 수 있다.

  1. Step 1: Select neighbors

  2. Step 2: Reconstruct with linear weights

  3. Step 3: Map to embedded coordinates



LLE 알고리즘을 각 단계별로 자세히 살펴보도록 하자.


Step 1: Select Neighbors

먼저, -차원(-Features)을 가지는 -개의 데이터셋의 각 데이터 포인트 에 대해, 와 가장 가까운 -개의 이웃점(-nearest neighbors) , 들을 선택한다. 여기서 ​는 하이퍼파라미터(hyper-parameter)로써 사람이 직접 적절한 개수를 정해준다.


Step 2: Reconstruct with linear weights

LLE는 'Step 1'에서 선택한 각 데이터 포인트 ​와 그리고 ​에 가까운 ​-개의 이웃점들 ​ ​는 매니폴드의 locally linear patch 상에 있거나 가까이 있을 것이라 가정한다.



이러한 가정을 바탕으로 해당 데이터 포인트 ​와 가장 가까운 ​-개의 이웃들 ​로 부터 ​를 가장 잘 재구성(reconstruction)하는 가중치 ​를 구한다. 즉, 이웃점 ​에 대해 ​와의 행렬 곱을 통해 ​를 만족하는 ​를 구하는 것이다. ​와 ​ 간의 오차(error)를 Reconstruction error라 하고 다음과 같이 식으로 나타낼 수 있다.


따라서, 위의 식 ​를 최소화(minimize) 하는 문제이며, 이때의 제약식은 ​이다. 이를 식으로 나타내면 다음과 같다.


위의 식에서 ​에 어떤 상수 벡터 ​를 더하거나 해도 ​를 최소화하는데 아무런 영향을 주지 않는다.


만약, 위의 식 ​ 라고 한다면 아래와 같이 나타낼 수 있다.

​는 ​-행렬이고, ​는 ​-행렬이므로 위의 식을 행렬 형태로 나타내면 아래와 같다.


위의 식에서 ​는 symmetric 한 행렬이며, 이러한 행렬을 Gram Matrix 라고 한다. ​는 선택한 데이터 포인트 ​에 대응되는 Gram Matrix 이다.

이러한 과정을 통해 ​를 최소화 하는 문제를 다음과 같은 식으로 나타낼 수 있다.

​은 ​-행렬이 모두 1로 구성된 행렬을 의미한다.

위의 식을 '서포트벡터머신, SVM'에서 살펴본 라그랑제 승수법을 이용하여 계산할 수 있다. 위의 식을 라그랑지안 함수 ​로 나타내면 다음과 같다 (​는 라그랑제 승수이다).


이렇게 라그랑지안으로 나타낸 함수 ​ 을 ​에 대한 편미분 ​을 통해 ​를 구할 수 있다.


Step 3: Map to Embedded Coordinates

'Step 2'에서 구한 가중치 ​는 데이터 포인트 ​와 이웃점들 ​간의 지역 선형 관계(locally linear relationship)를 나타낸다. 마지막 단계인 'Step 3'에서는 이러한 관계가 최대한 보존 되도록 데이터를 저차원인 ​-차원 공간(​)으로 매핑(mapping)한다. 이 때, ​를 ​-차원 공간에서의 ​의 상(image, ​를 의미) 이라고 한다면, ​와 ​-차원 공간에서의 이웃점들 ​에 대해 재구성(reconstructed)된 ​ 사이의 거리를 최소화하는 ​를 찾는 최소화 문제가 된다. 여기서 ​는 'Step 2'에서 구한 ​이다. 이를 식으로 나타내면 다음과 같다.


이 때, 논문에서는 위의 최소화 문제가 잘 풀리기(well-posed) 위해 다음과 같은 제약식을 추가해 준다.


위의 제약식을 살펴보면, '차원축소 - PCA'에서 공분산 구하는 방법을 살펴본 것과 같이 ​-차원 공간상에 매핑된 ​-개의 데이터셋()에서 데이터 포인트 ​의 평균은 ​이고, ​의 공분산(covariance)는 ​ (identity) 행렬인 것을 알 수 있고, ​은 symmetric 한것을 알 수 있다.

위의 ​는 아래와 같이 풀어서 나타낼 수 있다.


따라서, 위의 최소화 문제를 다음과 같이 나타낼 수 있다.


위의 식을 라그랑제 승수 ​를 이용해 라그랑지안 함수 ​로 나타내면 아래의 식과 같다.


이렇게 라그랑지안 함수로 나타낸 함수 ​을 ​에 대한 편미분 ​을 통해 ​를 구할 수 있다.


위의 결과에서, ​는 ​의 eigenvectors 인 것을 알 수 있고, ​은 eigenvalue인 것을 알 수 있다. 위의 문제는 ​를 찾는 것이며, PCA와는 다르게 ​ 중에서도 가장 값을 최소화하는 eigenvector인 맨 오른쪽에 위치하는 열벡터이다.


계산 복잡도

LLE 알고리즘의 계산 복잡도는 다음과 같다.

  • ​-개의 가까운 이웃 찾기 : ​

  • 가중치 ​ 최적화: ​

  • 저차원으로의 매핑: ​

마지막의 저차원으로의 매핑의 복잡도에서 ​ , 전체 데이터 셋의 제곱이므로 LLE 알고리즘은 대용량의 데이터셋에 적용하기는 어려운 점이 있다.



3. Scikit-Learn을 이용한 LLE 예제

Scikit-Learn에서는 LocallyLinearEmbedding클래스를 이용해 LLE를 구현할 수 있다. 아래의 예제는 스위스롤 예제 데이터를 LLE를 이용해 차원 축소하는 코드이다.

from sklearn.datasets import make_swiss_roll
from sklearn.manifold import LocallyLinearEmbedding
​
# create sample dataset
X, t = make_swiss_roll(n_samples=1000, noise=0.2, random_state=41)
​
lle = LocallyLinearEmbedding(n_components=2, n_neighbors=10, random_state=42)
lle.fit(X)
LocallyLinearEmbedding(eigen_solver='auto', hessian_tol=0.0001, max_iter=100,
            method='standard', modified_tol=1e-12, n_components=2,
            n_jobs=1, n_neighbors=10, neighbors_algorithm='auto',
            random_state=42, reg=0.001, tol=1e-06)
X_reduced = lle.transform(X)
​
plt.title("LLE를 사용하여 펼쳐진 스위스 롤", fontsize=14)
plt.scatter(X_reduced[:, 0], X_reduced[:, 1], c=t, cmap=plt.cm.hot)
plt.xlabel("$z_1$", fontsize=18)
plt.ylabel("$z_2$", fontsize=18)
plt.axis([-0.065, 0.055, -0.1, 0.12])
plt.grid(True)
​
plt.show()



4. 다른 차원 축소 기법

위에서 살펴본 PCA, LLE 차원 축소 알고리즘 외에 MDS, IsoMap, t-SNE, LDA 등 다양한 차원 축소 알고리즘들이 있다. 그 중에서 인기있는 차원 축소 알고리즘을 간단하게 알아보도록 하자.


  • MDS(Multi-Dimensional Scaling): MDS는 데이터 포인트 간의 거리를 보존하면서 차원을 축소하는 기법이다.

  • Isomap: Isomap은 각 데이터 포인트를 가장 가까운 이웃과 연결하는 식의 그래프를 만든 후 그래프에서 두 노드 사이의 최단 경로를 이루는 노드의 수인 geodesic distance를 유지 하면서 차원을 축소한다.

  • t-SNE(t-distributed Stochastic Neighbor Embedding): t-SNE는 비슷한 데이터는 가까이, 비슷하지 않은 데이터는 멀리 떨어지도록 차원을 축소한다. 주로 시각화에 많이 사용되며, 특히 고차원 공간에 있는 데이터의 군집을 시각화할 때 사용한다.

  • LDA: LDA는 Supervised learning이며, 분류 알고리즘에 속한다. LDA는 학습 단계에서 클래스를 가장 잘 구분하는 축을 학습하며, 이 축은 데이터가 투영되는 초평면을 정의하는 데 사용할 수 있다. 이러한 초평면으로 데이터를 투영하게 되면 클래스 간의 거리를 멀리 떨어지게 축소할 수 있다.


아래의 예제는 Scikit-Learn을 이용해 MDS, Isomap, t-SNE를 구현한 코드이다.

from sklearn.datasets import make_swiss_roll
​
X, t = make_swiss_roll(n_samples=1000, noise=0.2, random_state=41)
from sklearn.manifold import MDS, Isomap, TSNE
​
# MDS
mds = MDS(n_components=2, random_state=42)
X_reduced_mds = mds.fit_transform(X)
​
# Isomap
isomap = Isomap(n_components=2)
X_reduced_isomap = isomap.fit_transform(X)
​
# t-SNE
tsne = TSNE(n_components=2, random_state=42)
X_reduced_tsne = tsne.fit_transform(X)
titles = ["MDS", "Isomap", "t-SNE"]
​
plt.figure(figsize=(11,4))
​
for subplot, title, X_reduced in zip((131, 132, 133), titles,
                                     (X_reduced_mds, X_reduced_isomap, X_reduced_tsne)):
    plt.subplot(subplot)
    plt.title(title, fontsize=14)
    plt.scatter(X_reduced[:, 0], X_reduced[:, 1], c=t, cmap=plt.cm.hot)
    plt.xlabel("$z_1$", fontsize=18)
    if subplot == 131:
        plt.ylabel("$z_2$", fontsize=18, rotation=0)
    plt.grid(True)
​
plt.show()



5. 마무리

이번 포스팅에서는 차원 축소 알고리즘인 LLE와 그 밖의 MDS, Isomap, t-SNE 등의 차원축소 알고리즘을 간단하게 알아 보았다. 위의 코드에 대한 전체 코드는 https://github.com/ExcelsiorCJH/Hands-On-ML/blob/master/Chap08-Dimensionality_Reduction/Chap08-Dimensionality_Reduction.ipynb 에서 확인할 수 있다.

저작자표시