• AI HUB - 如何應用高維資料可視化一眼看穿你的資料集
• The similarity between t-SNE, UMAP, PCA, and other mappings. | Towards Data Science

<aside> 💡 可使用 tensorboard 進行這個可視化。

</aside>

• PCA vs t-SNE 應該使用哪個進行可視化

  S.NO.	主成分分析	t-SNE
  1.	它是一種線性降維技術。	它是一種非線性降維技術。
  2.	它試圖保留數據的全局結構。	它試圖保留數據的本地結構（集群）。
  3.	與 t-SNE 相比，它效果不佳。	它是最好的降維技術之一。
  4.	它不涉及超參數。	它涉及超參數，例如困惑度、學習率和步數。
  5.	它受到異常值的高度影響。	它可以處理異常值。
  6.	PCA 是一種確定性算法。	它是一種非確定性或隨機算法。
  7.	它通過旋轉向量來保持方差。	它通過最小化高斯點之間的距離來工作。
  8.	我們可以決定使用特徵值保留多少方差。	我們不能保留方差，而是可以使用超參數保留距離。

  • PCA 與 t-SNE 之間的區別 - GeeksforGeeks
  • PCA 與 t-SNE：您應該使用哪一個進行可視化 | 通過 Namratesh Shrivastav | 分析 Vidhya | 中等的
  • Python - 如何使用 t-SNE 進行降維 | Mortis
  • 如何使用PyTorch的Feature Extractor輸出進行t-SNE視覺化？ - Yanwei Liu - Medium
  • 如何使用TensorBoard針對PyTorch的embedding輸出進行2D或3D的T-SNE視覺化？ | by Yanwei Liu | Medium

  1. t-SNE 的隨機性：每次執行跑出來的結果都是不一樣的，不像PCA。
  2. t-SNE 的解釋性：比較兩堆的大小、距離是沒有意義的。

Conclusion

• 看起來 UMAP 目前最新也最好