tSNE 介紹 ：

• tSNE 非線性降維, 用在非監督問題類類型中, 流形還原的意義是將高維度上相近的點，對應到低維度上相近的點，盡量保持資料點之間的遠近關係，沒有資料點的地⽅，就不列列入考量範圍.
• 除了 t-sne 外，較常見的流形還原還有 Isomap 與 LLE (Locally Linear Embedding) 等⼯具.

摘自 ai 100 天周俊川/陳明佑簡報

tSNE 作法

1. 高維度的點對應到較小維度

example : tSNE on MNIST, cluster 非常清楚

截圖自 Coursera

2. 試試不同 perplexity 超參數, 或 3, 10 或 150, 基本上是建議多 project 也對應該 project 有不同的perplexity 超參數, 例如: 5-100

example : MNIST in different perplexities

截圖自 Coursera

3. 通常先降維再做 tSNE

4. 是絕佳的視覺化工具

5. 可用來當特徵

6. 小心解讀跑出來的結果

補充資料的連結 ：

Matrix Factorization:
Overview of Matrix Decomposition methods (sklearn)
http://scikit-learn.org/stable/modules/decomposition.html

t-SNE:

Multicore t-SNE implementation <--米哥的課硬要放上狄哥的 github 連結
https://github.com/DmitryUlyanov/Multicore-TSNE

Comparison of Manifold Learning methods (sklearn)
http://scikit-learn.org/stable/auto_examples/manifold/plot_compare_methods.html

How to Use t-SNE Effectively (distill.pub blog) <-- 強烈建議到此一遊
https://distill.pub/2016/misread-tsne/

tSNE homepage (Laurens van der Maaten)
https://lvdmaaten.github.io/tsne/

Example: tSNE with different perplexities (sklearn)
http://scikit-learn.org/stable/auto_examples/manifold/plot_t_sne_perplexity.html#sphx-glr-auto-examples-manifold-plot-t-sne-perplexity-py

Interactions:

Facebook Research's paper about extracting categorical features from trees
https://research.fb.com/publications/practical-lessons-from-predicting-clicks-on-ads-at-facebook/

Example: Feature transformations with ensembles of trees (sklearn)
http://scikit-learn.org/stable/auto_examples/ensemble/plot_feature_transformation.html