- É a redução da dimensionalidade T-Sne?
- Como o T-Sne é diferente de PCA?
- Por que o T-Sne é melhor do que o PCA?
- O que é T-Sne no aprendizado de máquina?
É a redução da dimensionalidade T-Sne?
A incorporação estocástica distribuída em T (T-SNE) é um método que nos dá valores de expressão em uma base de célula. Introduzido pela primeira vez por van der Maaten e Hinton em 2008, o T-SNE é uma técnica de redução de dimensionalidade probabilística.
Como o T-Sne é diferente de PCA?
O T-SNE é outro algoritmo de redução de dimensionalidade, mas ao contrário do PCA, é capaz de explicar relacionamentos não lineares. Nesse sentido, os pontos de dados podem ser mapeados em dimensões mais baixas de duas maneiras principais: abordagens locais: mapeando pontos próximos nas dimensões mais altas para pontos próximos na dimensão inferior também.
Por que o T-Sne é melhor do que o PCA?
PCA vs T-Sne: T-SNE difere do PCA, preservando apenas pequenas distâncias pareadas ou semelhanças locais, enquanto o PCA está preocupado em preservar grandes distâncias em pares para maximizar a variação. O PCA é uma técnica de redução de dimensão linear que busca maximizar a variação e preserva grandes distâncias em pares.
O que é T-Sne no aprendizado de máquina?
A incorporação de bairro estocástico distribuído em T (TSNE) é um algoritmo de aprendizado de máquina não supervisionado desenvolvido em 2008 por Laurens van der Maaten e Geoffery Hinton. Tornou -se amplamente utilizado em bioinformática e, mais geralmente, na ciência de dados para visualizar a estrutura dos dados de alta dimensão em 2 ou 3 dimensões.