t-SNE和PCA算法介绍(原作者写得很好.推荐一下)

最新推荐文章于 2025-05-01 22:02:09 发布
最新推荐文章于 2025-05-01 22:02:09 发布
阅读量2k 收藏 4
点赞数
分类专栏： theory
原文链接：https://www.jianshu.com/p/8c20b975a174
版权

主成分分析PCA算法
https://www.cnblogs.com/zhangchaoyang/articles/2222048.html
从SNE到t-SNE再到LargeVis
http://bindog.github.io/blog/2016/06/04/from-sne-to-tsne-to-largevis/
t-SNE和PCA介绍
https://www.jianshu.com/p/8c20b975a174

【零基础学机器学习 17】机器学习中的主成分分析(PCA)：完全指南
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
10-09 360
主成分分析（PCA）是一种流行的无监督学习技术，用于降低数据的维度。它在提高可解释性的同时，尽量减少信息损失。PCA有助于在数据集中找到最重要的特征，并简化数据以便于在二维和三维中绘制。PCA能够找到变量的一系列线性组合。假设我们有一个包含人口年龄和收入的数据集。这两个变量可能存在一定程度的相关性，例如年龄较大的人可能收入较高。在这种情况下，我们可以使用PCA来提取一个新的变量（主成分），它能够捕捉年龄和收入之间的主要变化。
数据处理和分析之数据降维：t-SNE：数据预处理技术
2401_87715305的博客
10-22 541
t-SNE（t-Distributed Stochastic Neighbor Embedding）是一种非线性降维技术，特别适用于高维数据的可视化。它通过保持数据点之间的局部相似性来构建低维嵌入，这意味着在高维空间中相邻的点在低维空间中也应保持相邻。计算高维空间中的相似度：使用高斯分布来衡量数据点之间的相似度。计算低维空间中的相似度：使用t分布（学生t分布）来衡量数据点在低维空间中的相似度。优化低维嵌入：通过梯度下降法最小化高维和低维空间相似度之间的差异，找到最佳的低维表示。
T.SNE vs PCA
Vikipedia2021的博客
05-02 876
TSNE 和PCA，TSNE更加适合复杂维度的数据处理
可视化语音分析：深度对比Wavenet、t-SNE和PCA等算法
机器之心
12-13 3796
这篇文章基于 GitHub 中探索音频数据集的项目。本文列举并对比了一些有趣的算法，例如 Wavenet、UMAP、t-SNE、MFCCs 以及 PCA。此外，本文还展示了如何在 Python 中使用 Librosa 和 Tensorflow 来实现它们，并用 HTML、Javascript 和 CCS 展示可视化结果。
维度降低技术详解：PCA与t-SNE
2401_86968005的博客
02-26 1052
PCA和t-SNE是两种常用的维度降低技术，各有优缺点。PCA适合线性数据和特征提取，而t-SNE适合非线性数据和高维数据可视化。根据具体任务需求选择合适的降维方法，能够有效提升数据分析效果。
主成分分析（PCA）与t-SNE
qq_33578950的博客
04-09 2402
主成分分析（PCA）和t-SNE是两种非常有用的数据降维和可视化技术。PCA通过线性变换将高维数据投影到低维空间，而t-SNE则是一种非线性降维技术，可以将高维数据嵌入到二维或三维空间中进行可视化。选择PCA还是t-SNE取决于数据类型、目标和计算资源的可用性。无论哪种技术，它们都是处理高维数据的重要工具，有助于我们理解数据集的结构和特征，并支持进一步分析和机器学习应用。
降维算法--PCA 与 t-SNE
openslide的基本操作
03-26 3140
PCA是大家所熟知的降维算法，但是线性降维虽然简单，其局限性也很明显，难以实现高维数据在低维空间的可视化。t-SNE是非线性的降维算法，能实现高维到低维的可视化映射，但因为涉及大量的条件概率、梯度下降等计算，时间和空间复杂度是平方级的，比较耗资源。t-SNE几乎可用于所有高维数据集，广泛应用于图像处理，自然语言处理，基因组数据和语音处理。实例有：面部表情识别[2]、识别肿瘤亚群[3]、使用word...
t-SNE和PCA进行数据降维和聚类的比较
WuKai1207的博客
09-03 3574
t-SNE（t-distributed stochastic neighbor embedding）是一种非线性的数据降维方法，它将数据点之间的空间距离转化为相似度的概率分布（高维空间中使用高斯分布，低维空间中使用t-分布），通过最小化高维空间和低维空间概率分布的KL散度，获得数据在低维空间中的近似。可以看到经t-SNE降维后的数据，实现非常好的分离。PCA（主成分分析）通过对原始数据特征的线性组合，在尽可能保留样本之间差异性（样本方差）的情况下，形成新的特征，是最常见的数据降维手段。
UMAP：比t-SNE更好的降维算法
蕾欧娜与26的博客
07-03 6166
文章目录1. 论文整体思路2. 背景补充单纯形 (Simplices)单纯复形 (Simplicial complex)3. 理论应用4. 一些改进问题1：如何为开覆盖选择正确的球半径？问题2：更高的维度上的数据很多点是完全孤立的。问题3：局部度量标准不兼容性。找到一个低维表示5. UMAP 算法6. 数学表达高维空间的分布低维空间的分布交叉熵作为代价函数Algorithm description7. 实验结果 论文题目：UMAP: Uniform Manifold Approximation and Pr
PCA / t-SNE / UMAP：三大主流降维方法详解与应用实战
最新发布
在信息的熵增中，记录结构、重建秩序。 技术思想者的笔记，系统构建者的注释。
05-01 1041
在数据挖掘任务中，面对高维稀疏数据结构时，降维技术是提升模型性能、增强可视化表达、改善聚类与分类稳定性的核心手段。PCA（主成分分析）、t-SNE（分布保持降维）与 UMAP（流形学习降维）是当前最主流的三种方法，分别适用于不同的数据类型与任务目标。本篇以工程实践为核心，全面对比三者的原理逻辑、参数控制、适用边界与可视化能力，辅以结构化的代码实现与真实样例，构建一套可复用的降维流程模板，用于特征压缩、聚类预处理与高维数据分析中的实际落地。
t-SNE的正确打开方式
motoight的博客
10-15 408
引言 t-SNE是可视化高维向量的常用手段，但是盲目调用sklearn包并不是t-SNE的正确打开方式，知其然还要知其所以然，这样才能基于正确的可视化结果得到可能正确的猜想。 参考文章： 1.https://towardsdatascience.com/why-you-are-using-t-sne-wrong-502412aab0c0 2.http://deeplearning.csail.mit.edu/slide_cvpr2018/laurens_cvpr18tutorial.pdf 3.https:
ML Note 3.4 - 数据降维算法 PCA / t-SNE
LutingWang的博客
03-28 1919
1957年，数学家 Richard Bellman 在研究动态规划问题时首次提出了维数灾难（curse of dimensionality）的概念，用于描述高维空间中的一系列数学现象。本文介绍了维数灾难在机器学习中的概念以及常用的数据降维方法原理。
数据可视化PCA与t-SNE
二十年蝉电子学习博客
11-08 2545
PCA（主成分分析）和t-SNE（t分布随机近邻嵌入）都是降维技术，可以用于数据的可视化和特征提取。降维主要可以分为线性降维和非线性降维PCA（Principle Components Analysis，主成分分析）SNE（Stochastic Neighbor Embedding，随机近邻嵌入），t-SNE是基于SNE的。
掌握特征提取：机器学习中的 PCA、t-SNE 和 LDA模型
gongdiwudu的专栏
12-16 1213
与 PCA（主成分分析）相比，这是一种更好的降维技术。t-SNE，即 t 分布随机邻域嵌入，是一种通过将高维数据降低到低维空间（通常是二维或三维）来实现可视化的统计方法。这使得数据的可视化和解释变得更加容易，特别是在处理机器学习和数据科学等复杂数据集时。
PCA vs. t-SNE
-
09-11 671
t-SNE (t-distributed Stochastic Neighbor Embedding) 和 PCA (Principal Component Analysis) 都是数据降维技术，它们在机器学习和数据科学中用于减少数据的维度，以便于可视化和进一步分析。
数据处理和分析之数据降维：t-SNE与PCA原理及应用
2401_87715305的博客
10-22 799
在数据处理和分析领域，数据降维是一种关键的技术，用于减少数据集的复杂性，同时保留其核心特征。选择合适的数据降维技术取决于多个因素，包括数据的性质、分析的目标以及降维后的数据用途。主成分分析（PCA）适用场景：适用于数据集中的特征高度相关或存在线性关系的情况。PCA通过构建数据的线性组合来减少维度，同时最大化数据的方差。示例代码# 加载数据# 创建PCA实例# 拟合数据并转换# 输出降维后的数据t-分布随机邻域嵌入（t-SNE）适用场景。
文章解析整理：《基于TensorFlow理解三大降维技术：Pca,t-SNE 和自编码器》
jianyuchen23的博客
07-18 3008
本文仅是博主自己学习用来加深印象和留存整理，对该内容有兴趣请去阅读原文 http://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650728960&idx=1&sn=8b9e10a0c4170a136658262253c7b993&chksm=871b2e7eb06ca7681edd3243ade430853a4b83c94b323f903aa
【小技巧】机器学习中可视化高维向量的两种方法PCA和t-SNE,以及其原理介绍和代码示例(附代码)
页页读
04-12 2616
为了可视化高维数据（比如你的256维向量）在低维空间（通常是2D或3D）的分布，常用的方法包括主成分分析（PCA）和t-SNE。这两种方法可以帮助我们理解数据在高维空间中的内在结构。下面，我会展示如何使用Python的库和matplotlib来可视化这些向量。我将使用PCA和t-SNE两种方法来降维，并在3D平面上展示结果。如果你有标签数据，这将有助于我们看到不同簇的分布。import os""""""# 使用PCA将数据降到3维# 使用t-SNE将数据降到3维。
python 高维数据_在Python中使用PCA和t-SNE可视化高维数据集
weixin_32593879的博客
01-30 1437
点击上方关注，All in AI中国任何与数据相关的挑战的第一步都是从研究数据本身开始的。例如，可以通过查看某些变量的分布或查看变量之间的潜在相关性来研究。目前的问题是,很多数据集都有大量的变量。换句话说，它们是多维度的，数据沿着这些维度分布。这样的话，可视化地研究数据会变得很有挑战性，大多数时候甚至不可能手工完成。但是，研究数据时，可视化数据是非常重要的。因此，理解如何可视化高维数据集是关键，这...
t-sne 和PCA
02-13
### T-SNE与PCA的区别 #### 主要差异 t-SNE（t-Distributed Stochastic Neighbor Embedding）和PCA（Principal Component Analysis）都是常用的降维技术，但在原理和应用上存在显著区别。 - **线性 vs 非线性** PCA是一种线性降维方法，通过寻找数据的最大方差方向来进行投影[^2]。而t-SNE则属于非线性降维算法，旨在保持高维空间中的局部结构，在低维表示中尽可能保留相似度关系[^1]。 - **全局 vs 局部结构保护** PCA倾向于捕捉整个数据集的整体趋势或主要成分，适合于探索整体模式；相比之下，t-SNE更专注于维护样本间的局部邻近关系，对于揭示复杂的簇状分布特别有效。 #### 应用场景对比 ##### PCA的应用场合 适用于希望简化特征维度的同时仍能较好反映原始变量间的关系的情况，比如图像压缩、基因表达数据分析等领域。当目标是减少噪声并提取最重要的信息时，PCA通常是首选工具。 ```python from sklearn.decomposition import PCA pca = PCA(n_components=2) X_pca = pca.fit_transform(X_high_dimensional) ``` ##### t-SNE适用范围 常用于可视化复杂多模态的数据集合，尤其是在单细胞RNA测序分析中用来展示不同类型的细胞群体之间的相对位置。由于其能够很好地展现微观层面的聚类特性，因此成为生物信息学研究的重要手段之一[^3]。 ```python from sklearn.manifold import TSNE tsne = TSNE(n_components=2, perplexity=30.0, n_iter=1000) X_tsne = tsne.fit_transform(X_high_dimensional) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值