machine-learning - 为什么 tsne 方法使用欧几里得距离来计算高维数据中的相似性？

Question

我尝试过其他距离度量，如切比雪夫距离或曼哈顿距离等，这些都是在 Matlab 的 tsne 中实现的。其中一些实现了与欧几里得距离度量相同的良好性能。所以我对为什么tsne总是使用欧几里得距离来计算距离有一些疑问。与其他距离度量相比，此距离度量有什么优势吗？我希望有人可以帮助我解决我的问题。提前致谢！

Answer 1

TSNE 总是使用欧几里得距离函数来测量距离，因为它是方法定义中的默认参数集。如果您希望更改用于特定问题的距离函数，则需要在方法调用中更改“metric”参数。

这是一个链接，列出了您可以用作参数而不是欧几里得的不同距离函数。

希望这可以帮助！

Answer 2

不确定您在谈论哪种实现，但通常 tSNE 适用于距离矩阵，您可以根据对数据实际有意义的内容来计算此距离矩阵。

Euclidean并且Jaccard距离通常效果很好，我也得到了一些不错的结果，方法TSVD是将数据减少到约 50 维，然后tSNE对Euclidean距离矩阵进行处理。