通过在高维数据空间中评估模型来选择更好的非线性降维布局

非线性降维（NLDR）技术，如 tSNE 和 UMAP，通过应用非线性变换提供高维数据（$p\text{-}D$）的低维表示。NLDR 常常夸大随机模式，但若做得好，NLDR 查视图在数据分析中发挥重要作用，因为它们提供了 $p\text{-}D$ 分布的简洁可视化（和概念）概述。NLDR 方法和超参数选择会创建截然不同的表示，使人难以决定哪一个最佳，或是否任何一个或全部都准确或误导。为帮助评估 NLDR 并决定选择哪一个，如果有的话，哪一个是最合理的表示，我们 developed 一种在 $p\text{-}D$ 空间中显示 $2\text{-}D$ NLDR 模型的算法，采用导览（tour）——一种线性投影的电影。通过这一方式，可以看出该模型在各处是否适合，或在某些子空间中更好，或完全与数据不匹配。此外，也可以看出不同方法可能具有相似的概览或独特之处。