t-SNE是一种降维方法，旨在保持高维数据中的相似性结构。它通过将高维数据转换为低维空间中的条件概率分布来解决拥挤问题。t-SNE使用t分布而非SNE的高斯分布，优化过程中考虑了对称性，并且在手写数字等数据集上表现出良好效果。
SNE
原理分析
核心：将欧几里得距离转换为条件概率来表达点与点之间的相似度。
假设我们n个高维有数据 x 1 , x 2 . . . x n x_1,x_2...x_n x1,x2...xn，我们需要将其降至低维，需要保证的是讲相似的点尽量聚在一起，不相似的点尽量分离。
首先我们计算 x i x_i xi和 x j x_j xj之间的相似度 p i j p_{ij} pij:
p i j = e x p ( − ∣ ∣ x i − x j ∣ ∣ 2 / ( 2 σ i 2 ) ) ∑ k ≠ i e x p ( − ∣ ∣ x i − x k ∣ ∣ 2 ) / ( 2 σ i 2 ) p_{ij} = \frac{exp(-||x_i-x_j||^2/(2\sigma_i^2))}{\sum_{k \neq i}exp(-||x_i-x_k||^2)/(2\sigma_i^2)} pij=∑k̸=iexp(−∣∣xi−xk∣∣2)/(2σi2)exp(−∣∣xi−xj∣∣2/(2σi2))
σ i 表 示 以 数 据 点 x i 为 均 值 的 高 斯 方 差 \sigma_i表示以数据点x_i为均值的高斯方差 σi表示以数据点xi为均值的高斯方差
当降至低维时，得到 x i 和 x j x_i和x_j xi和xj的相似度为：
q
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
