- ¿Es la reducción de la dimensionalidad T-sne??
- ¿En qué se diferencia T-sne de PCA??
- ¿Por qué T-sne es mejor que PCA??
- ¿Qué es T-sne en el aprendizaje automático??
¿Es la reducción de la dimensionalidad T-sne??
La incrustación estocástica del vecino estocástico (T-SNE) es un método que nos da valores de expresión de forma celular. Primero introducido por Van der Maaten y Hinton en 2008, T-SNE es una técnica de reducción de dimensionalidad probabilística.
¿En qué se diferencia T-sne de PCA??
T-SNE es otro algoritmo de reducción de dimensionalidad, pero a diferencia de PCA puede tener en cuenta las relaciones no lineales. En este sentido, los puntos de datos se pueden mapear en dimensiones más bajas de dos maneras principales: enfoques locales: mapeo de puntos cercanos en las dimensiones más altas a los puntos cercanos en la dimensión inferior también.
¿Por qué T-sne es mejor que PCA??
PCA vs T-SNE: T-SNE difiere de PCA al preservar solo pequeñas distancias por pares o similitudes locales, mientras que PCA se ocupa de preservar grandes distancias por pares para maximizar la varianza. PCA es una técnica de reducción de dimensiones lineales que busca maximizar la varianza y conserva grandes distancias por pares.
¿Qué es T-sne en el aprendizaje automático??
La incrustación de vecindad estocástica distribuida en T (TSNE) es un algoritmo de aprendizaje automático no supervisado desarrollado en 2008 por Laurens van der Maaten y Geoffery Hinton. Se ha utilizado ampliamente en bioinformática y, en general, en la ciencia de datos para visualizar la estructura de datos de alta dimensión en 2 o 3 dimensiones.