通俗理解一个常用的降维算法

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？</