无监督学习：机器学习中的 t-随机邻域嵌入（t-SNE）

概述

机器学习是计算机科学中最热门的话题之一。这是因为这个世界上每天涌入的数据是巨大的。由于每天都有如此多的数据出现，因此需要控制并从所述数据中生成见解。因此，许多方法正在世界范围内不断改进机器学习技术。

创建机器学习模型时最常见的问题之一是要处理大量变量。由于大多数真实世界的数据集不是以模型友好的方式处理的，因此我们大多数时候都需要处理和过滤掉我们的数据集。在大多数情况下，数据集中有许多自变量会让开发人员感到困难，因为我们对要选择哪些列感到困惑。

先决条件

为了充分利用本文，

• 读者必须熟悉机器学习中的自变量和因变量。
• 条件概率和样本空间等概率的基本概念必须清晰。

介绍

正如我们之前所讨论的，降维是机器学习工程师最常处理的问题之一。使用大量自变量不仅会增加我们计算模型的时间，而且还会增加机器学习模型的整体复杂性。PCA（主成分分析）和 t-SNE（t 分布随机邻域嵌入）等工具帮助我们减少整体变量，并帮助我们确定哪些变量对模型构建很重要。