t-SNE（t-distributed Stochastic Neighbor Embedding）是一种有效的降维算法，尤其适用于数据可视化。它通过保留高维数据集的局部结构，将数据映射到低维空间。t-SNE利用t分布处理距离较远的点，解决了降维过程中的拥挤问题，从而在二维或三维空间中清晰地展示高维数据。尽管t-SNE计算复杂度较高，但在多个数据集上表现出色，如MNIST和人脸数据集。
这是第325篇原创
1 t-SNE 背景介绍
最易被我们视觉观察到的维数是一维，二维和三维，四维及以上用图形表达都不会那么直观。
然而，现实情况却是随意拿个数据集，都有上千上百个维度。比如，经典的MNIST维度是64，所以使用二维的笛卡尔坐标系，注定无法绘制64个维度。
当我们想对高维数据集进行分类，但又不清楚这个数据集有没有很好的可分性(同类之间间隔小、异类之间间隔大)时，可以通过降维算法将数据投影到二维或三维空间中。
很久以前，就有人提出一种降维算法，主成分分析(PCA) 降维法，中间其他的降维算法陆续出现，比如 多维缩放(MDS)，线性判别分析(LDA)，等度量映射(Isomap)。
等时间来到2008年，另外一个和我们比较熟悉的大牛 Geoffrey Hinton在 2008 年一同提出了t-SNE 算法。
他们改进SNE算法为t-SNE算法，并使它在降维领域得到更广泛的应用。
2 t-SNE 算法概述
全称为 t-distributed Stochastic Neighbor Embedding，翻译为 t分布-随机邻近嵌入。
怎么理解这个名字？
首先，t-分布是关于样本(而非总体)的
最低0.47元/天 解锁文章
127
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
