t-SNE（t-distributed Stochastic Neighbor Embedding）

重點／應用

• 優點：能很好地保留局部結構，適合呈現複雜的非線性群集結構。
• 缺點：計算成本高昂（不適合非常大的資料集）、結果受隨機初始化影響、參數「困惑度（Perplexity）」需細緻調整。
• 主要用於視覺化，不適合作為下游機器學習任務的資料前處理（映射非線性，無法輕易套用到新資料）。

易混淆

• vs PCA：PCA 為線性降維，可重複套用於新資料，適合建模前處理；t-SNE 為非線性，僅適合視覺化探索。
• vs UMAP：UMAP 目標與 t-SNE 類似但運算更快，能同時保留局部與全局結構。

📖 課文原文

「t-SNE⋯主要用於視覺化，不適合作為下游機器學習任務的預處理（因為映射是非線性的，無法輕易應用到新數據）。」

出處