为什么推荐使用to来减少到2-3次方，而不是更高的dim？

Question

• 根据wiki的说法，重新开始使用T-SNE映射到二维.
• 如果我们想要可视化数据，我可以理解这一点。
• 如果我们想要减少功能的数量(即从30个特性减少到5个dims)，那么是否建议使用T-SNE来实现呢？还是我们应该使用其他的降维算法？

Answer 1

大警报！

T不是一种降维算法(如PCA、LLE、UMAP等).它只是为了可视化，而为了这个，超过三维是没有意义的。

test不是一种参数化的方法，所以你不能得到一个基本的向量表示，在此基础上降低新数据集的维数(验证，测试)。这就是为什么它不能用于降维。

它只是根据它所看到的数据随机计算，所以如果你在火车上使用它，就没有办法对你的测试集做同样的计算，因此没有使用the建模。

如果您看到Sklearn函数，对于PCA和其他维度算法，您可以看到fit()、transform()和fit_transform()函数，但是对于to，您只有fit()和fit_transform()，因为您将没有模型只能转换一个新的数据集。

我试着凭直觉。如果您需要更多的技术解释，只需删除评论。