SSS'yi t-SNE web sitesinden anlatacağım . Şaşkınlık için bir ilk:
T-SNE'deki şaşkınlığı nasıl ayarlamalıyım?
T-SNE'nin performansı, farklı şaşkınlık ayarları altında oldukça sağlamdır. En uygun değer verilerinizin yoğunluğuna bağlıdır. Gevşek olarak, daha büyük / daha yoğun bir veri kümesinin daha büyük bir şaşkınlık gerektirdiği söylenebilir. Şaşkınlık için tipik değerler 5 ile 50 arasındadır.
Diğer tüm paremetreler için bunu okumayı düşünürüm:
T-SNE'nin oluşturduğu görselleştirmelerin kalitesini nasıl değerlendirebilirim?
Tercihen, onlara bak! T-SNE'nin mesafeleri değil olasılıkları koruduğuna dikkat edin, bu nedenle yüksek D ve düşük D'deki Öklid mesafeleri arasındaki bazı hataların ölçülmesi işe yaramaz. Ancak, aynı verileri ve şaşkınlığı kullanırsanız, t-SNE'nin bildirdiği Kullback-Leibler sapmalarını karşılaştırabilirsiniz. T-SNE'yi on kez çalıştırmak ve en düşük KL diverjansına sahip çözümü seçmek mükemmeldir.
Başka bir deyişle, taslağa bakın, eğer görselleştirme iyi ise parametreleri değiştirmeyin. Ayrıca her sabit şaşkınlık için en düşük KL ıraksamasına sahip çalışmayı da seçebilirsiniz.