基于TensorFlow理解三大降维技术：PCA、t-SNE 和自编码器

标签：一个   需要   .com   应对   限制   问题   tps   董事会   测量   

在我们开始之前，先看一个问题：如果你要为以下案例选择一种降维技术，你会怎么选？

1. 你的系统可以使用余弦相似度测量距离，但你需要将其可视化，以便不懂技术的董事会成员也能理解，这些人可能甚至从来没听说过余弦相似度；你会怎么做？

2. 你有必要将数据的维度压缩到尽可能最低，你的限制是要保留大约 80% 的数据，你会怎么做？

3. 你有一个数据库，其中的数据是耗费了大量时间收集的，而且还时不时有新的（相似类型的）数据加入。你需要降低你已有数据的维度，并且还要给到来的新数据降维，你会选择什么方法？

这篇文章的目的是希望能帮助你更好地了解降维，以便你能轻松应对类似这样的问题。

 https://www.sohu.com/a/157563698_465975

基于TensorFlow理解三大降维技术：PCA、t-SNE 和自编码器

标签：一个   需要   .com   应对   限制   问题   tps   董事会   测量   

原文地址：https://www.cnblogs.com/painmoth/p/10102115.html