Разница между PCA VS t-SNE

Анализ главных компонентов (PCA): PCA - это метод неконтролируемого уменьшения линейной размерности и визуализации данных для данных очень большой размерности. Поскольку при наличии многомерных данных очень сложно получить представление о них, это требует больших вычислительных ресурсов. Основная идея, лежащая в основе этого метода, состоит в том, чтобы уменьшить размерность данных, которые сильно коррелированы, путем преобразования исходного набора векторов в новый набор, который известен как главный компонент .

PCA пытается сохранить глобальную структуру данных, то есть при преобразовании d-мерных данных в d-мерные данные он пытается отобразить все кластеры в целом, из-за чего локальные структуры могут быть потеряны. Применение этого метода включает фильтрацию шума, извлечение признаков, прогнозы фондового рынка и анализ генных данных.

t-распределенное стохастическое вложение окрестностей (t-SNE): t-SNE также является методом неконтролируемого нелинейного уменьшения размерности и визуализации данных. Математика, лежащая в основе t-SNE, довольно сложна, но идея проста. Он вставляет точки из более высокого измерения в более низкое измерение, пытаясь сохранить окрестность этой точки.

В отличие от PCA, он пытается сохранить локальную структуру данных, минимизируя расхождение Кульбака – Лейблера (расхождение KL) между двумя распределениями относительно расположения точек на карте. Этот метод находит применение в исследованиях компьютерной безопасности, анализе музыки, раковых исследованиях, биоинформатике и обработке биомедицинских сигналов.

Таблица различий между PCA и t-SNE