t-sne复习

在初见中说到SNE存在两大缺点：

1、很难优化

2、拥挤问题

缺点1的解决方案是使用对称SNE

缺点2的解决方案是低维空间使用自由度1的t分布

对称SNE，定义了联合概率：

其中p_j|i定义为，基于高斯分布：

联合概率的KL散度为：

联合概率q_ij定义为，基于自由度为1的t分布：

t-sne的算法描述为：

回顾t-sne，主要参考t-sne的论文《Visualizing Data Using T-sne》

bookmark中http://www.datakit.cn/blog/2017/02/05/t_sne_full.html#11%E5%9F%BA%E6%9C%AC%E5%8E%9F%E7%90%86

公式存在细节错误，也可以看，但是要参考论文就行修正。