Avobia t-SNE (t-Distributed Stoklastic Neighbor Embedding) adalah teknik populer untuk memvisualisasikan data berdimensi tinggi dalam dua atau tiga dimensi. Ini membantu mengungkapkan pola dan kluster yang tidak mudah diamati dalam data asli. Memahami prinsip matematika di balik t-SNE dapat meningkatkan aplikasi dan interpretasinya.

Konsep Inti dari t-SNE

Diagnosis t-SNE mengubah titik data berdimensi tinggi menjadi distribusi probabilitas yang mencerminkan kesamaan mereka. Ia kemudian mencari pembenaman berdimensi rendah yang menjaga kesamaan ini sedekat mungkin. Proses tersebut melibatkan dua langkah utama: komputasi pasangan yang saling berlawanan dan meminimalkan sebuah divergensi antara distribusi.

Yayasan Matematika Mathematik

Dalam ruang dimensi tinggi, kesamaan antara dua titik dimodelkan menggunakan distribusi Gaussian. Kemungkinan bahwa titik j adalah tetangga titik i diberikan oleh:

Parameter toolhanie pjzherhai = frac{exp(-gasharf[-fiper]x]j]j] (53)] (53)] (2sigma i^}{sum {k neq i} exp(-Charmonix]i] - x]k]k]]] [^^^^2] / 2igma]

Ini mendefinisikan distribusi probabilitas atas tetangga untuk setiap titik. Kemungkinan gabungan pij disimetrikan sebagai:

toolfle pij] = frac{p[j`unski + p]iHolskj}{2N}

Di mana annadi N adalah jumlah total poin. Dalam ruang dimensi rendah, kesamaan dimodelkan menggunakan t-distribusi Siswa dengan satu derajat kebebasan:

q]ij] = frac{(1 + vigoi[ij]j] Diarsipkan^2 ^{-1}{sum {k neq l} (1 + zharyk] - y][LT:8]]]] ^ [1]

Proses Optimasi Tergosip

Tujuan dari jandes adalah untuk menemukan titik dimensi-rendah yi[ yang meminimalkan divergensi Kullback-Leiler antara distribusi berdimensi tinggi dan rendah:

KL(P unaGNOG zhOGL Q) = sum {i neq j} p[ij[] log frac{p[ij]}{q[ij}

Ini dicapai melalui turunan gradien, menyesuaikan posisi titik di ruang dimensi rendah untuk mengurangi divergensi. Gradiennya dihitung berdasarkan perbedaan antara p[ij dan q]j].

Kekecualian Kesimpulan

Kepahaman dengan pengertian analogi dasar matematika t-SNE melibatkan pemahaman bagaimana kesamaan dimodelkan dan bagaimana optimasi menyelaraskan kesamaan ini melintasi dimensi. Yayasan ini membantu dalam penalaan parameter dan interpretasi visualisasi secara efektif.