Jakie jest dobre zastosowanie t-SNE, oprócz wizualizacji danych?

W jakich sytuacjach powinniśmy używać t-SNE (oprócz wizualizacji danych)?

T-SNE służy do redukcji wymiarów. Odpowiedź na to pytanie sugeruje, że t-SNE powinien być używany tylko do wizualizacji i że nie powinniśmy go używać do grupowania. Jakie jest zatem dobre zastosowanie t-SNE?

Odpowiedź na to pytanie sugeruje, że t-SNE powinny być wykorzystywane tylko do wizualizacji i że powinniśmy nie używać go do grupowania. Jakie jest zatem dobre zastosowanie t-SNE?

Nie zgadzam się z tym wnioskiem. Nie ma powodu, aby zakładać, że t-SNE jest ogólnie gorszy niż jakikolwiek inny algorytm grupowania. Każdy algorytm grupowania przyjmuje założenia dotyczące struktury danych i można oczekiwać, że będą działać inaczej w zależności od podstawowego rozkładu i końcowego zastosowania zmniejszonej wymiarowości.

t-SNE, podobnie jak wiele algorytmów uczenia się bez nadzoru, często zapewnia środki do osiągnięcia celu, np. uzyskanie wczesnego wglądu w to, czy dane są możliwe do oddzielenia, testowanie, czy ma pewną możliwą do zidentyfikowania strukturę, oraz sprawdzanie charakteru tej struktury. Nie trzeba wizualizacji wyjścia t-SNE, aby zacząć odpowiadać na niektóre z tych pytań. Inne zastosowania osadzania niższych wymiarów obejmują funkcje budowania do klasyfikacji lub pozbycie się wielokolinearności w celu poprawy wydajności metod prognozowania.