ข้อมูลควรอยู่กึ่งกลาง + สเกลก่อนใช้ t-SNE หรือไม่

คุณสมบัติของข้อมูลบางอย่างของฉันมีค่ามากในขณะที่คุณสมบัติอื่นมีค่าน้อยกว่ามาก

จำเป็นหรือไม่ที่จะรวมศูนย์ + ข้อมูลสเกลก่อนใช้ t-SNE เพื่อป้องกันอคติต่อค่าที่มากขึ้น

ฉันใช้การปฏิบัติ sklearn.manifold.TSNE ของ Python กับการวัดระยะทางแบบปริภูมิแบบปริยาย

การจัดกึ่งกลางไม่สำคัญเนื่องจากอัลกอริทึมทำงานเฉพาะในระยะทางระหว่างจุด แต่การลดขนาดเป็นสิ่งจำเป็นหากคุณต้องการให้มิติที่แตกต่างได้รับการปฏิบัติด้วยความสำคัญเท่ากันเนื่องจาก 2-norm จะได้รับอิทธิพลอย่างมากจากมิติที่มีความแปรปรวนขนาดใหญ่