李宏毅机器学习25—Unsupervised learning Neighbor Embedding

Unsupervised learning:neighbor embedding

上节讲的是线性降维PCA，这节主要是讲非线性降维

这节课主要学习了将高维空间中的数据，降低到低维度的几种方法：

1.Locally linear embedding（局部线性嵌入)：利用降维前后坐标关系不变，求解出降维之后的点。

2.laplacian eigenmaps  (拉普拉斯特征映射)：希望相互间有关系的点在降维后的空间中尽可能的靠近。Laplacian Eigenmaps可以反映出数据内在的流形结构。

3.t-SNE T-Distribution Stochastic Neighbour Embedding（T 分布随机近邻嵌入)：

t-SNE主要的优势就是保持局部结构的能力。这意味着高维数据空间中距离相近的点投影到低维中仍然相近。和上面的方法相比，t- SNE能生成漂亮的可视化。

 

目录

一、Manifold learning

几种方法：

1.locally linear embedding （LLE）

2.laplacian eigenmaps

二、t-SNE：T-distrubuted stochastic Neighbor embedding

t-SNE做法：

Similarity方法的选择

总结：

---

 

一、Manifold learning

数据分布在多维空间，以地球为例，只有在很近的距离，欧式几何才会成立

在s型的多维空间中data的相似度，不能简单的从距离来评判，需要将多维空间降到低维空间。将高维空间的数据摊平、展开，