Navigation:  XI. 评估 > 地球化学 > TSNE降维

地球化学 > TSNE降维

TSNE降维

使用TSNE（t-Distributed Stochastic Neighbor Embedding）算法对数据进行降维分析。TSNE是目前来说效果最好的数据降维与可视化方法，但是它的缺点也很明显，比如：占内存大，运行时间长。但是，当我们想要对高维数据进行分类，又不清楚这个数据集有没有很好的可分性（即同类之间间隔小，异类之间间隔大），可以通过TSNE投影到2维或者3维的空间中观察。EnviFusion支持对散点数据、网格数据、附加数据、表格数据等进行TSNE降维分析。由于TSNE需要尽可能多的样本进行训练，所以系统将首先遍历所有时间步，并将所有样本数据收集在一起，然后进行训练。

 

输入数据：请指定输入数据类型。包括散点数据、网格数据、附加数据、表格数据等。

属性数列：请选择参与计算的属性数列。

输出维度：请指定输出数列的维度，应大于1且小于当前选中数据的维度。

近邻数量：请指定TSNE算法中的perplexity参数，即近邻数量，默认为15。此参数应小于数据行数的三分之一。

学习梯度：请指定学习梯度值，即Gradient Accuracy参数，默认为0.5。本参数小于0.2时会大幅增加计算时间，大于0.8时会增加计算误差。

迭代次数：请指定降维计算的最大迭代次数，默认为30步。

如上图所示，执行TSNE降维后将在结果图层数据中生成三列新字段，分别为第一（ef_TSNE0）、第二（ef_TSNE1）、和第三（ef_TSNE2）组分。可以理解为原始数据投影到新的三维空间后的散点坐标。