知识卡片
t-SNE可视化嵌入
为直观检验嵌入是否学到有意义的结构,用sklearn的TSNE(init=‘pca’、random_state=0、method=‘exact’)把高维州嵌入降到二维散点,并用les.pickle中的编码器反查出各州的中文名称做标注;同样方法也画出星期嵌入的Mon到Sun分布。若嵌入有效,语义或业务上相近的类别应在平面上聚在一起,例如销售模式相似的州彼此靠近、工作日与周末分开。可视化不是训练必需步骤,但它是诊断嵌入质量的手段:若同类散点杂乱无章,就提示维度、数据量或目标函数可能需要调整。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第11章 用Embedding提升机器学习性能 · 查看原书依据
tsne = manifold.TSNE(init='pca', random_state=0, method='exact') Y = tsne.fit_transform(german_states_embedding)
参考来源
- 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第11章 用Embedding提升机器学习性能(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter15_0005.xhtml)
- 结论依据:原文11.5给出TSNE参数、降维绘图与中文标注的实现,支撑本卡对可视化目的与解读方法的说明。
- 原始内容:tsne = manifold.TSNE(init='pca', random_state=0, method='exact') Y = tsne.fit_transform(german_states_embedding)