为什么我的 sklearn t-sne 函数在达到最大迭代次数之前退出
Why is my sklearn t-sne function quitting before reaching its maximum iteration
我正在尝试 运行 平方距离矩阵的 tsne 分析。这些是我正在使用的命令。
model = TSNE(n_components = 2,perplexity = 32, verbose = 10,n_iter = 1000, metric = "precomputed")
embeddings = model.fit_transform(D)
这是我收到的输出：output from tsne function
看起来该程序 运行 正在通过 75 次迭代，然后称其良好并退出。当我绘制来自 tsne 的数据时，它基本上只是一个密集的 blob。为什么程序提前退出，我怎样才能让它 运行 更长？
它正在退出，因为达到了退出条件。
解释日志，退出条件可能是梯度上的一个指标，这里称为gradient-norm。如果需要，请查看 gradient-descent 的基础知识以了解直觉。由于每次迭代都朝着梯度的负方向迈进了一步，因此微小的梯度不会对 objective 产生太大影响（并且将被解释为：我们找到了 local/global 最小值）。
它看起来像（仍然只解释你的日志）：
if np.linalg.norm(gradient) < 1e-4:
return solution
对于优化问题的参数化进一步进行更多迭代没有任何好处。解决方案不会变得更好（在最小化方面）。
您只能尝试其他参数（导致其他优化问题）。
我正在尝试 运行 平方距离矩阵的 tsne 分析。这些是我正在使用的命令。
model = TSNE(n_components = 2,perplexity = 32, verbose = 10,n_iter = 1000, metric = "precomputed")
embeddings = model.fit_transform(D)
这是我收到的输出：output from tsne function
看起来该程序 运行 正在通过 75 次迭代，然后称其良好并退出。当我绘制来自 tsne 的数据时，它基本上只是一个密集的 blob。为什么程序提前退出，我怎样才能让它 运行 更长？
它正在退出，因为达到了退出条件。
解释日志，退出条件可能是梯度上的一个指标，这里称为gradient-norm。如果需要，请查看 gradient-descent 的基础知识以了解直觉。由于每次迭代都朝着梯度的负方向迈进了一步，因此微小的梯度不会对 objective 产生太大影响（并且将被解释为：我们找到了 local/global 最小值）。
它看起来像（仍然只解释你的日志）：
if np.linalg.norm(gradient) < 1e-4:
return solution
对于优化问题的参数化进一步进行更多迭代没有任何好处。解决方案不会变得更好（在最小化方面）。
您只能尝试其他参数（导致其他优化问题）。