- Jest redukcją wymiarowości T-SNE?
- Czym różni się T-SNE od PCA?
- Dlaczego T-SNe jest lepsze niż PCA?
- Co to jest T-SNE w uczeniu maszynowym?
Jest redukcją wymiarowości T-SNE?
Osadzanie stochastycznego sąsiada dystrybucji T (T-SNE) to metoda, która daje nam wartości ekspresji na zasadzie komórkowej. Po raz pierwszy wprowadzony przez Van der Maatena i Hinton w 2008 roku, T-SNE jest probabilistyczną techniką redukcji wymiarowości.
Czym różni się T-SNE od PCA?
T-SNE to kolejny algorytm redukcji wymiarowości, ale w przeciwieństwie do PCA jest w stanie uwzględnić relacje nieliniowe. W tym sensie punkty danych można mapować w niższych wymiarach na dwa główne sposoby: Ministerstwo Lokalne: Mapowanie pobliskich punktów na wyższe wymiary do pobliskich punktów w dolnym wymiarze.
Dlaczego T-SNe jest lepsze niż PCA?
PCA vs T-SNE: T-SNE różni się od PCA poprzez zachowanie tylko małych odległości par lub lokalnych podobieństw, podczas gdy PCA dotyczy zachowania dużych odległości par, aby zmaksymalizować wariancję. PCA to liniowa technika redukcji wymiarów, która ma na celu maksymalizację wariancji i zachowuje duże odległości par.
Co to jest T-SNE w uczeniu maszynowym?
Distributed Stochastic Neighborhood Embedding (TSNE) to bez nadzoru algorytm uczenia maszynowego opracowany w 2008 roku przez Laurens van der Maaten i Geoffery Hinton. Stał się szeroko stosowany w bioinformatyce, a bardziej ogólnie w nauce danych, aby wizualizować strukturę danych o wysokiej wymiaru w 2 lub 3 wymiarach.