顶刊必备的图，原来这么简单！t-SNE降维，特征可视化，可解释性，深度学习故障识别，回归预测的必备工具！2个应用示例，直接运行！

适用平台：Matlab2021及以上

你肯定见过这些顶级期刊在做论文中的特征可视化工具：t-SNE；出来的图都非常好看，能够给专家及读者留下非常好的印象，这是科研的必备工具！尽快拿下！

t-SNE的作用：当我们处理高维数据时，很难直观地理解数据之间的关系。t-SNE的目标是帮助我们在一个更低维度的空间中（通常是2D或3D）对数据进行可视化，同时保留数据点之间的相似性关系。通过一些数学变换，将原始信息从复杂的高维度（比如100维）变成一个简单的低维度（比如2维或3维）的样本分布图。

计算步骤：

• t-SNE的核心思想是保持高维空间中数据点之间的相似性关系，尽量在低维空间中保持相似的关系。简单说，如果在高维空间中两个点很相似，它们在降维后的低维空间中仍然要尽量保持相似。

• 这个算法的数学原理涉及到概率分布和距离的概念。它首先计算高维空间中点与点之间的相似性，使用一个概率分布来表示这种相似性。然后，在低维空间中，它再计算点与点之间的相似性，并构建另一个概率分布。

• t-SNE的目标是最小化这两个概率分布之间的差异，以确保高维空间中相似的点在低维空间中仍然保持相似。这个差异通常通过使用KL散度（Kullback-Leibler divergence）来衡量。

简而言之，t-SNE让我们在一个更容易理解的低维空间中看到数据点，同时尽量保持原始数据点之间的相似性关系。这使得我们可以更好地理解数据的结构和模式，特别是在局部区域内的关系。