t-sne

首先看下面两个图， 作左图是t-SNE降维后得到的，有图是PCA 降维后得到的。很明显t-SNE将分的更加清晰，而PCA则重叠严重。 t-sne 是一种非线性的降维方法，一般可视化用的比较多，利用t-sne 可以把高维数据降维到2维或者3维空间上，然后各个数据点跟自己在高维空间上相近的数据点聚集在一起 好比空中漂浮的不同颜色的小球 让它们落地后 再根据原本在空中的聚集情况聚集在一起。 t-sne的原理是在高维空间上非常接近的点在转换到低维空间上相近的可能性会大。 推理过程如下： 首先我们分别计算在高维空间上similarity S(xi,xj)，和降维后的similarity S(zi,zj) 图片来自台湾大学李宏毅教授课件 由上图可见，当在高维空间上xi和xi越相近两个点的距离越小越可靠近y轴，假设在sigmiod function 上黄色曲线代表降维前，蓝色曲线代表降维后，当xi和xj距离变大时 其下降速度会非常快，对应到低维空间Z曲线的距离就会很大两者之间的相似度就会减小。 所以定义一个 loss fuction： 最小化这个Loss Function 后就可以找到Z使得P和Z的分布尽可能接近。Z就是降维后的结果。 来源： CSDN 作者： qq_45737639 链接： https://blog.csdn.net/qq_45737639/article/details

t-SNE降维算法 t-SNE 也是一种非线性降维算法，非常适用于高维数据降维到 2 维或者 3 维进行可视化。它是一种以数据原有的趋势为基础，重建其在低纬度(二维或三维)下数据趋势的无监督机器学习算法。 下面的结果展示参考了源代码，同时也可用 tensorflow 实现(无需手动更新参数)。 t-SNE 降维算法展示 详细内容可参见《t-SNE 使用过程中的一些坑》： http://bindog.github.io/blog/2018/07/31/t-sne-tips/ 代码地址： https://github.com/heucoder/dimensionality_reduction_alo_codes/tree/master/codes/T-SNE 来源： CSDN 作者： Luara_lyy 链接： https://blog.csdn.net/weixin_40801364/article/details/103554004