3.3.2 非线性降维与可视化：t-SNE, UMAP

文档摘要

3.3.2 非线性降维与可视化：t-SNE, UMAP 在高维数据的迷宫中穿行，我们常被一种直觉牵引：真实世界的结构不该如此“臃肿”。一个基因表达矩阵动辄上万维，一张ResNet-50提取的图像特征向量有2048维，而用户行为序列嵌入甚至可达768或1024维——可人类视觉系统只擅长处理二维或三维空间里的形状、距离与聚类。于是，降维不再是锦上添花的预处理步骤，而是一场必须完成的语义解压：它要保留那些让样本“彼此靠近”或“泾渭分明”的本质关系，同时把冗余的、噪声的、线性不可分的维度悄然抹去。但当PCA（主成分分析）在手，我们很快会撞上一堵墙：它只能发现全局线性结构。