In vielen Forschungsdisziplinen ist die Visualisierung von hochdimensionalen Daten ein wichtiger Schritt der Datenanalyse. Eine Möglichkeit solche Daten zu visualisieren ist durch nichtlineare Methoden zur Dimensionsreduktion. In dieser Arbeit wird durch eine umfangreiche Literaturanalyse der State-of-the-Art von Methoden zur nichtlinearen Dimensionsreduktion ermittelt. Durch 51 untersuchten Publikationen werden 21 verschiedene Methoden identifiziert, wobei acht dieser Methoden näher betrachtet werden. Die älteren sechs dieser acht Methoden können zwar gut die lokale Struktur von hoher Dimensionalität in zwei oder drei Dimensionen darstellen, doch nur t-SNE (t-Distributed Stochastic Neighbor Embedding) und UMAP (Uniform Manifold Approximation and Projection for Dimension Reduction) können sowohl die globale als auch die lokale Struktur gleichzeitig beibehalten. Diese acht näher betrachteten Methoden stellen den aktuellen State-of-the-Art dar.
AKWI-Tagungsband zur 35. AKWI-Jahrestagung. Jahrgang, 2022, Seite S. 202–213
In vielen Forschungsdisziplinen ist die Visualisierung von hochdimensionalen Daten ein wichtiger Schritt der Datenanalyse. Eine Möglichkeit solche Daten zu visualisieren ist durch nichtlineare Methoden zur Dimensionsreduktion. In dieser Arbeit wird durch eine umfangreiche Literaturanalyse der State-of-the-Art von Methoden zur nichtlinearen Dimensionsreduktion ermittelt. Durch 51 untersuchten Publikationen werden 21 verschiedene Methoden identifiziert, wobei acht dieser Methoden näher betrachtet werden. Die älteren sechs dieser acht Methoden können zwar gut die lokale Struktur von hoher Dimensionalität in zwei oder drei Dimensionen darstellen, doch nur t-SNE (t-Distributed Stochastic Neighbor Embedding) und UMAP (Uniform Manifold Approximation and Projection for Dimension Reduction) können sowohl die globale als auch die lokale Struktur gleichzeitig beibehalten. Diese acht näher betrachteten Methoden stellen den aktuellen State-of-the-Art dar.
