t-SNE
t-Distributed Stochastic Neighbor Embedding · Ayrıca şöyle bilinir: t-SNE (Boyut İndirgeme / Görselleştirme), t-distributed stochastic neighbor embedding, tsne
t-SNE (t-Dağılımlı Stokastik Komşu Gömme), Laurens van der Maaten ve Geoffrey Hinton tarafından 2008'de tanıtılan, yüksek boyutlu verileri görselleştirme için 2B veya 3B uzaya eşleyen doğrusal olmayan bir boyut azaltma yöntemidir. Yerel olasılıksal benzerlikleri korur, bu nedenle orijinal uzayda komşu olan noktalar birbirine yakın kalır, küme yapısını ve yerel komşulukları ortaya çıkarır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+1 tane daha
Ne zaman kullanılır
Yüksek boyutlu sürekli verileri - gömmeler, gen ifadesi profilleri, görüntü özellikleri - 2B veya 3B'de yerel küme yapısını görmek istediğinizde, en az yaklaşık 50 gözlemle görselleştirmek ve keşfetmek için t-SNE'yi kullanın. Bu, keşifsel, görsel bir araçtır: gruplama ve komşuluk desenleri için haritalarını okuyun, nicel çıkarım için değil. Öncelikle özellikleri standartlaştırın, şaşkınlığı ayarlayın (bir kural olarak n/10 civarında, 5-50 içinde) ve birkaç şaşkınlık değeri boyunca kararlılığı kontrol edin. Çok büyük veri kümelerinde yavaştır, bu nedenle UMAP daha hızlı bir alternatiftir.
Güçlü yönler & sınırlılıklar
- Doğrusal yöntemlerin kaçırdığı yerel küme yapısını ve komşulukları ortaya çıkarmada mükemmeldir.
- Doğrusal olmayan: PCA'nın yapamadığı eğri manifold yapısını yakalar.
- Yüksek boyutlu gruplamaları bir bakışta görünür kılan sezgisel 2B/3B haritalar üretir.
- Ağır kuyruklu Öğrenci-t çekirdeği, kümeleri iyi ayrılmış tutarak kalabalıklaşma sorununu önler.
- Yalnızca görselleştirme — haritadaki mesafeler ve küme boyutları nicel bir anlam taşımaz, bu nedenle ondan istatistiksel çıkarım yapılmamalıdır.
- Büyük veri kümelerinde yavaş; UMAP daha hızlı bir alternatiftir.
- Sonuçlar stokastiktir ve şaşkınlığa büyük ölçüde bağlıdır, bu nedenle farklı çalıştırmalar veya ayarlar farklı görünebilir.
- Küçük örneklemlerde (yaklaşık 50'nin altındaki n) gömme kararsız ve tekrarlanamazdır.
SSS
Şaşkınlık neyi kontrol eder?
Şaşkınlık, her noktanın dikkate aldığı etkili komşu sayısını belirler, yerel ve daha geniş yapıya dikkat etmeyi dengeler. Tipik değerler 5-50 arasındadır, kural olarak n/10 civarındadır; birkaçını denemek ve görünen yapının kararlı olduğunu kontrol etmek akıllıcadır.
Bir t-SNE grafiğinden küme boyutlarını ve mesafelerini okuyabilir miyim?
Hayır. t-SNE yerel komşulukları korur ancak küresel geometriyi korumaz, bu nedenle bir kümenin boyutu ve kümeler arasındaki boşluklar nicel olarak anlamlı değildir. Gruplamayı tespit etmek için grafiği kullanın, ölçmek için değil.
t-SNE PCA'dan nasıl farklıdır?
PCA, maksimum varyans yönlerine doğrusal bir projeksiyondur ve küresel yapıyı korur, oysa t-SNE, yerel komşulukları koruyan ve kümeleri ortaya çıkarmada başarılı olan doğrusal olmayan bir yöntemdir. Tamamlayıcıdırlar; PCA genellikle t-SNE öncesi ön işleme adımı olarak kullanılır.
t-SNE mi yoksa UMAP mı kullanmalıyım?
Her ikisi de doğrusal olmayan görselleştirme yöntemleridir. t-SNE, yerel yapı için uzun süredir devam eden bir standarttır, oysa UMAP büyük veri kümelerinde daha hızlıdır ve daha fazla küresel yapıyı koruma eğilimindedir, bu nedenle veri hacmi yüksek olduğunda daha iyi bir seçimdir.
Kaynaklar
- van der Maaten, L. & Hinton, G. (2008). Visualizing Data using t-SNE. Journal of Machine Learning Research, 9(86), 2579–2605. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). t-Distributed Stochastic Neighbor Embedding. ScholarGate. https://scholargate.app/tr/machine-learning/t-sne
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Gauss Karışım ModeliMakine öğrenmesi↔ karşılaştır
- Temel Bileşen AnaliziMakine öğrenmesi↔ karşılaştır
- SHAP (SHapley Additive exPlanations)Makine öğrenmesi↔ karşılaştır