高维数据分析网页工具 Tensorflow Embedding Projector

• 授权协议: MIT
• 开发语言: HTML/CSS
• 操作系统: 跨平台
• 软件首页: http://projector.tensorflow.org/
• 软件文档: https://github.com/loretoparisi/tensorflow-embedding-projector/blob/master/README.md
• 官方下载: https://github.com/loretoparisi/tensorflow-embedding-projector/archive/master.zip

软件介绍

Embedding Projector

Embedding Projector 是一款用于交互式可视化和高维数据分析的网页工具，作为 TensorFlow 的一部分，能带来类似 A.I. Experiment 的效果。同时，谷歌也在 projector.tensorflow.org 放出了一个可以单独使用的版本，让用户无需安装和运行 TensorFlow 即可进行高维数据的可视化。

介绍

探索嵌入（embeddings）

训练机器学习系统所需的数据一开始的形式是计算机无法直接理解的。为了将这些我们人类能够自然而然理解的东西（如：话语、声音或视频）翻译成算法能够处理的形式，我们会使用到嵌入（embeddings）——一种获取了数据的不同方面（即：维度 dimension）的数学向量表征。比如说，在一个语言嵌入中，相似的词会被映射到彼此相近的点。

降维的方法

Embedding Projector 提供了三种常用的数据降维（data dimensionality reduction）方法，这让我们可以更轻松地实现复杂数据的可视化，这三种方法分别是 PCA、t-SNE 和自定义线性投影（custom linear projections）：

• PCA 通常可以有效地探索嵌入的内在结构，揭示出数据中最具影响力的维度。

• t-SNE 可用于探索局部近邻值（local neighborhoods）和寻找聚类（cluster），可以让开发者确保一个嵌入保留了数据中的所有含义（比如在 MNIST 数据集中，可以看到同样的数字聚类在一起）。

• 自定义线性投影可以帮助发现数据集中有意义的「方向（direction）」，比如一个语言生成模型中一种正式的语调和随意的语调之间的区别——这让我们可以设计出更具适应性的机器学习系统

本文地址：https://codercto.com/soft/d/1792.html