« Algorithme T-SNE » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications |
||
| Ligne 1 : | Ligne 1 : | ||
== Définition == | == Définition == | ||
L'algorithme t-SNE (t-distributed stochastic neighbor embedding) est une méthode de réduction de dimensions, similaire à [[algorithme UMAP|UMAP]] et [[Analyse_en_composantes_principales|ACP]] pour la visualisation d'un ensemble de points d'un espace à grande dimension dans un espace à deux ou trois dimensions. | L'algorithme t-SNE (t-distributed stochastic neighbor embedding) est une méthode de réduction de dimensions, similaire à [[algorithme UMAP|UMAP]] et [[Analyse_en_composantes_principales|ACP]] pour la visualisation d'un ensemble de points d'un espace à grande dimension dans un espace à deux ou trois dimensions par projection. | ||
== Compléments == | == Compléments == | ||
Les données traitées par t-SNE peuvent être visualisées sous la forme des nuages de points. L'algorithme de projection non linéaire t-SNE utilise des techniques d'optimisation basées sur la théorie de l'information afin de conserver la distance relative entre les points pendant la réduction de dimensions. Ainsi, deux points qui sont proches (ou éloignés) dans l'espace d'origine doivent être proches (ou éloignés) dans l'espace de faible dimension. L'algorithme t-SNE se base sur une interprétation probabiliste des distances. | |||
Les données traitées par t-SNE peuvent être visualisées sous la forme des nuages de points. L'algorithme non linéaire t-SNE utilise des techniques d'optimisation basées sur la théorie de l'information afin de conserver la distance relative entre les points pendant la réduction de dimensions. Ainsi, deux points qui sont proches (ou éloignés) dans l'espace d'origine doivent être proches (ou éloignés) dans l'espace de faible dimension. L'algorithme t-SNE se base sur une interprétation probabiliste des distances. | |||
L'algorithme t-SNE a été développé en 2018 par Geoffrey Hinton et Laurens van der Maaten. | L'algorithme t-SNE a été développé en 2018 par Geoffrey Hinton et Laurens van der Maaten. | ||
Version du 16 mai 2023 à 15:36
Définition
L'algorithme t-SNE (t-distributed stochastic neighbor embedding) est une méthode de réduction de dimensions, similaire à UMAP et ACP pour la visualisation d'un ensemble de points d'un espace à grande dimension dans un espace à deux ou trois dimensions par projection.
Compléments
Les données traitées par t-SNE peuvent être visualisées sous la forme des nuages de points. L'algorithme de projection non linéaire t-SNE utilise des techniques d'optimisation basées sur la théorie de l'information afin de conserver la distance relative entre les points pendant la réduction de dimensions. Ainsi, deux points qui sont proches (ou éloignés) dans l'espace d'origine doivent être proches (ou éloignés) dans l'espace de faible dimension. L'algorithme t-SNE se base sur une interprétation probabiliste des distances.
L'algorithme t-SNE a été développé en 2018 par Geoffrey Hinton et Laurens van der Maaten.
L'algorithme t-SNE a été utilisée pour de nombreuses applications : traitement automatique de la langue (similarité sémantique entre les mots), analyse de la musique, recherches médicales, bioinformatique, et le traitement de signaux. Cette méthode est souvent utilisée pour la visualisation de représentations de haut-niveau apprises par un réseau de neurones artificiel.
Français
t-SNE
algorithme t-SNE
méthode t-SNE
Anglais
t-SNE
t-distributed stochastic neighbor embedding
Source : Méthodes t-SNE et UMAP pour visualisation et réduction de dimension
Contributeurs: Claude Coulombe, Patrick Drouin, wiki
