評估指標

t-SNE 的圖漂不漂亮人人會看,但「這張圖可不可信」需要量尺 — 降維視覺化沒有單一標準答案,要從局部、全局、穩定性三個角度評。

核心觀念

局部結構用 Trustworthiness(可信度)與 Continuity(連續性):前者問「圖上湊在一起的點,原本真的是鄰居嗎」,後者問「原本的鄰居,在圖上還在身邊嗎」。kNN 保留率直接數降維前後最近鄰名單重疊多少。全局結構用距離相關性輔助;實務上再看群組分離穩定性 — 多次重跑,分群樣貌是否一致。

白話理解

你用 t-SNE 把客戶向量畫成 2D 散點圖給主管看。t-SNE 每次隨機初始化結果都不同,若三次重跑群的相對位置都在亂跳,就別對「兩群距離很遠」下結論 — t-SNE 本來就以局部為重,群間距離與群大小不可盡信。

評估重點

• Trustworthiness:圖上的鄰居是否可信,抓「假鄰居」
• Continuity:原始鄰居是否被留住,抓「掉隊者」
• kNN 保留率:降維前後鄰居名單的重疊率
• 群組分離穩定性:多次重跑的一致性
• KL 散度是 t-SNE 的訓練損失,不適合拿來跨模型比較

🎯 口訣:t-SNE 信局部、疑全局,重跑三次再說話。

iPAS 考點

考 t-SNE 特性判斷:保留局部結構、主要用於視覺化、群間距離不可過度解讀是正確方向;陷阱選項是「用 KL 散度比較不同降維方法的優劣」— 那是它自己的訓練損失,不是通用評估指標。