T-SNE 降维算法

T-SNE（t-distributed stochastic neighbor embedding）是一种机器学习算法，用于将高维数据降维至2维或3维，并进行可视化。它的基本思想是，如果在高维空间中两个数据点相似，那么在降维后的低维空间中它们应该离得很近。

T-SNE是由Laurens van der Maaten和Geoffrey Hinton在2008年提出的，它是SNE算法的改进版本。相对于SNE算法，T-SNE进行了几个改进，包括将SNE改为对称SNE以提高计算效率，并在低维空间中使用t分布来解决拥挤问题并优化SNE算法在关注局部特征而忽略全局特征方面的问题。实际上，T-SNE很少被用于降维，其主要应用领域是数据可视化。

尽管T-SNE在可视化方面效果好于SNE，但由于一些限制，它在实际应用中并不常用于降维。首先，当我们发现数据需要降维时，一般会使用线性降维算法如PCA，而不是非线性降维算法。其次，T-SNE通常将数据降到2维或3维进行可视化，但在降维时往往需要更高的维度，例如20维，而T-SNE算法使用自由度为1的t分布可能无法得到较好的效果。此外，T-SNE算法的计算复杂度较高，其目标函数是非凸的，可能得到局部最优解。

总的来说，T-SNE是一种适用于高维数据可视化的非线性降维算法，但在实际应用中需要考虑其计算复杂度和局限性。<span class="em">1</span><span class="em">2</span><span class="em">3</span><span class="em">4</span>
#### 引用[.reference_title]
- *1* *2* *3* [t-SNE算法](https://blog.csdn.net/sinat_20177327/article/details/80298645)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *4* [Machine Learning ——降维方法：t-SNE](https://blog.csdn.net/zzzzhy/article/details/80772833)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]