t-SNE公司

用t-SNE可视化数据。我们提出了一种称为“t-SNE”的新技术,它通过在二维或三维地图中为每个数据点指定一个位置来可视化高维数据。该技术是随机邻域嵌入的一种变体(Hinton和Roweis,2002),它更容易优化,通过减少将点聚集在地图中心的趋势,可以产生更好的可视化效果。与现有技术相比,t-SNE在创建一个能够显示不同比例结构的单一地图方面要更好。这对于位于多个不同但相关的低维流形上的高维数据特别重要,例如从多个视点看到的多个类中的对象的图像。为了可视化超大数据集的结构,我们展示了t-SNE如何在邻域图上使用随机游动来允许所有数据的隐式结构影响数据子集的显示方式。我们展示了t-SNE在各种数据集上的性能,并与其他许多非参数可视化技术(包括Sammon映射、Isomap和局部线性嵌入)进行了比较。在几乎所有的数据集上,t-SNE产生的可视化效果明显优于其他技术产生的可视化效果。


数学参考文献,2标准条款)

显示第61到74个结果。
按年份排序(引用)
  1. Piokan-Szymon和ZYYMON-2014数据降维算法
  2. Patterson,Genevieve;Xu,Chen;Su,Hang;Hays,James:《太阳属性数据库:深入场景理解的超越类别》(2014)ioport公司
  3. 曾红;张耀明:用完全似然最小信息长度准则学习聚类的混合模型(2014)ioport公司
  4. 钟国强;Cheriet,Mohamed:低阶张量流形学习(2014)
  5. 钟国强;Cheriet,Mohamed:大边际低阶张量分析(2014)
  6. Differential Schneider,Michael Schneider;Differential Schneider,Michael Schneider,2012;dimension Schneider,Michael Schneider,2012;dimension,Schneiderioport公司
  7. van der Maaten,Laurens;Hinton,Geoffrey:在多个地图中可视化非度量相似性(2012)
  8. Yang,Zhirong;Oja,Erkki:二次非负矩阵分解(2012)
  9. Giraldo,Luis Felipe;Lozano,Fernando;Quijano,Nicanor:集群数据降维的觅食理论(2011)ioport公司
  10. Thomas A.Lampert;O'Keefe,Simon E.M.:光谱图图像中低级特征检测的详细研究(2011)ioport公司
  11. David Martens;Bart Baesens;Fawcett,Tom:编辑调查:数据挖掘的群体智能(2011)ioport公司
  12. 王开军;颜宣辉;陈立飞:识别集群远近关系的几何双实体模型(2011)ioport公司
  13. 游少迪;马惠民:流形拓扑多分辨分析方法(2011)
  14. van der Maaten,Laurens;Hinton,Geoffrey:使用t-SNE可视化数据(2008)