t-SNE 降维原理
哪些公司问过
答案要点
- 高维:用高斯核把距离转为条件概率 p(j|i),σ_i 由困惑度决定,再对称化为 p_ij
- 低维:用自由度为 1 的 t 分布计算相似度 q_ij ∝ 1/(1+‖y_i−y_j‖²)
- 目标:梯度下降最小化 KL(P‖Q)
- t 分布长尾缓解拥挤问题,使簇间分离更明显
- 保局部不保全局,朴素 O(n²),可用 Barnes-Hut 近似加速
易错点
- 根据 t-SNE 图上簇的大小和簇间距离下结论
- 把 t-SNE 当作特征降维直接喂给下游模型
- 认为一次运行结果稳定,忽略随机初始化和困惑度的影响
面试官常见追问
- 困惑度参数怎么理解?
- t-SNE 和 UMAP、PCA 怎么选?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。