t-SNE
一种非线性降维和可视化算法，通过保留数据的局部邻域结构将高维数据映射到低维空间，擅长揭示数据的聚类结构，广泛用于神经网络特征空间可视化
时间轴 (近 90 天)
t-SNE（t-分布随机邻域嵌入）通过最小化高维与低维空间中数据点间条件概率分布的 KL 散度，特别擅长保留局部邻域结构，但全局结构往往不可靠。
无论是 t-SNE 还是 UMAP，同一组数据用不同降维方法可能呈现不同的可视化形状。
UMAP（统一流形近似与投影）基于黎曼几何和拓扑数据分析，在保留局部结构的同时更好地维持全局结构，且计算速度通常比 t-SNE 更快。
常见的降维技术如t-SNE、UMAP、PCA可将高维嵌入向量投影到二维或三维平面以观察聚类结构
t-SNE是非线性降维方法，擅长保留局部邻域关系，能将同类样本聚集在一起
项目内置了用NumPy实现的PCA与t-SNE降维分析，可逐层查看测试集在特征空间中的分布
语义聚类降维可使用 UMAP 或 t-SNE 等降维算法将高维模型特征映射到三维空间
全部知识事实 (7)
t-SNE（t-分布随机邻域嵌入）通过最小化高维与低维空间中数据点间条件概率分布的 KL 散度，特别擅长保留局部邻域结构，但全局结构往往不可靠。
50%待验证无论是 t-SNE 还是 UMAP，同一组数据用不同降维方法可能呈现不同的可视化形状。
50%待验证UMAP（统一流形近似与投影）基于黎曼几何和拓扑数据分析，在保留局部结构的同时更好地维持全局结构，且计算速度通常比 t-SNE 更快。
50%待验证常见的降维技术如t-SNE、UMAP、PCA可将高维嵌入向量投影到二维或三维平面以观察聚类结构
50%待验证t-SNE是非线性降维方法，擅长保留局部邻域关系，能将同类样本聚集在一起
50%待验证项目内置了用NumPy实现的PCA与t-SNE降维分析，可逐层查看测试集在特征空间中的分布
50%待验证语义聚类降维可使用 UMAP 或 t-SNE 等降维算法将高维模型特征映射到三维空间
50%