Uniform Manifold Approximation and Projection (UMAP)

Réduction de dimension en R

Matt Pickard

Owner, Pickard Predictives, LLC

PCA, t-SNE et UMAP

Comparaison PCA, t-SNE et UMAP

PCA, t-SNE et UMAP

Comparaison PCA, t-SNE et UMAP

PCA, t-SNE et UMAP

Comparaison PCA, t-SNE et UMAP

PCA, t-SNE et UMAP

Comparaison PCA, t-SNE et UMAP

PCA, t-SNE et UMAP

Comparaison PCA, t-SNE et UMAP

UMAP offre des hyperparamètres similaires à ajuster.

Graphique UMAP

library(embed)


set.seed(1234)
umap_df <- recipe(Attrition ~ ., data = attrition_df) %>% 
  step_normalize(all_predictors()) %>% 
  step_umap(all_predictors(), num_comp = 2) %>% 
  prep() %>% 
  juice()


umap_df %>%  
  ggplot(aes(x = UMAP1, y = UMAP2, color = Attrition)) +
  geom_point(alpha = 0.7)

UMAP : attrition du personnel

Graphique UMAP de l'attrition du personnel

UMAP avec tidymodels

Créer la recette

umap_recipe <-  recipe(Attrition ~ ., data = train) %>% 
  step_normalize(all_predictors()) %>% 
  step_umap(all_predictors(), num_comp = 4)

Créer la spécification du modèle

umap_lr_model <- linear_reg()

UMAP avec tidymodels

Créer le flot de travail

umap_lr_workflow <-  workflow() %>% 
  add_recipe(umap_recipe) %>% 
  add_model(umap_lr_model)

Ajuster le flot de travail

umap_lr_fit <- umap_lr_workflow %>% 
  fit(data = train)

UMAP avec tidymodels

Évaluer le modèle

predict_umap_df <- test %>% 
  bind_cols(predict = predict(umap_lr_fit, test))

rmse(predict_umap_df, Attrition, .pred_class)

Passons à la pratique !

Réduction de dimension en R