自UMAP问世，论文作图使用t-distributed Stochastic Neighbor Embedding（tSNE）还是Uniform Manifold Approximation and Projection（UMAP）的问题一直存在。 本文将围绕tSNE和UMAP的算法逻辑、特点差异及应用要点…

2021年5月10日 · t-SNE （全称为 t-distributed Stochastic Neighbor Embedding， 翻译 为 t分布-随机邻近嵌入）是通过将数据点之间的 相似度 转化为 条件概率，原始空间中数据点的相似度由高斯联合分布表示，嵌入空间中数据点的相似度由 学生t分布 表示 能够将高维空间中的数据映射到低维空间中，并保留数据集的 局部特性。

2022年12月6日 · 而tSNE与UMAP可以将高维空间的结构特征投影至低维空间（二维、三维）之中：在得到低维分布的具体特征后，计算降维过程中空间位置的信息缺失，优化低维分布的位置信息，保留高维特征信息。 这两个降维方式也因此成为了单细胞转录组最主要的可视化方式。 那在实际应用中，该如何选择使用哪一个降维方式呢？ 我们首先需要了解这两个降维方式的差异到底在哪，接下来我们也就会就此为大家一一介绍。 图2 相同数据通过 tSNE（左）和UMAP（右）的 …

2024年4月6日 · UMAP和t-SNE算法上差异： 计算高维距离时，t-SNE会计算所有点之间的距离，通过Perplexity（困惑度）参数调整全局结构与局部结构间的软边界；而UMAP择只计算个点与最近k个点之间的距离，严格限制局部的范围；

2024年1月8日 · 在 高维数据可视化 领域，T-SNE (t-distributed Stochastic Neighbor Embedding)和UMAP (Uniform Manifold Approximation and Projection)是两种非常常见的算法。 在本文中，我们将对这两种算法进行详细的对比和分析，以便我们更好地理解它们的差异和优缺点。 T-SNE是一种基于概率的非线性映射方法，用于将高维数据映射到低维空间。 它的核心思想是通过最大化同类样本之间的距离，最小化不同类样本之间的距离来实现数据的可视化。

2024年5月24日 · Principal component analysis (PCA), t-distributed stochastic neighbor embedding (t-SNE) and uniform manifold approximation and projection (UMAP) are among the tools life scientists turn to for...

2023年11月23日 · UMAP(Uniform Manifold Approximation and Projection) 是一种类似tSNE的高维数据降维算法，由加拿大Tutte数学和计算研究所的Leland McInnes开发[1]。UMAP相对于tSNE有以下两个主要优势： 1. 能反映全局结构； 2. 计算大样本数据时，运行速度较快，占用内存较少。

2020年4月8日 · 首先，在高维空间内，描述两个点（两个细胞）的距离不一样，tSNE采取的是“概率算法”，即把两个点的距离转换成概率，若 i 与 j 这两个点距离比较近的话，它所对应的概率较大；而UMAP采取的是传统的欧式距离。

2020年6月26日 · UMAP是一种新颖且有趣的降维技术，与纯机器学习半经验算法tSNE截然不同，它基于可靠的数学原理。 我来自生物学的同事告诉我，原始的UMAP论文太“数学化了”，但是，在阅读UMAP文档并观看Leland McInnes在SciPy 2018上的演讲时，我感到困惑，因为我觉得UMAP是另一种与tSNE非常相似的邻居图技术，我一直在努力了解UMAP与tSNE到底有何不同。 从UMAP论文来看，即使Leland McInnes试图在附录C中总结它们，UMAP和tSNE之间的差异 …

2021年3月5日 · hypertools是Kaggle推出的一种降维工具包，集成了多种降维算法，如PCA、TSNE、Isomap、UMAP等。 此外还有聚类算法和对齐算法等，用起来更加方便。 可以用pip install hypertools安装。