是否可以在大型稀疏矩阵上使用 scikit TSNE？
Is it possible to use scikit TSNE on a large sparse matrix?
scikit documentation 说明 fit_transform 只能用于密集矩阵，但我有一个 csr 格式的稀疏矩阵，我想对其执行 tsne。文档说对稀疏矩阵使用 fit 方法，但这不是 return 低维嵌入。
我很感激我可以像 this question 那样使用 .todense() 方法，但是我的数据集非常大（0.4*10^6 行和 0.5*10^4 列）所以不适合在记忆中。真的，使用稀疏矩阵来做这件事会很好。有没有办法使用 scikit TSNE（或 TSNE 的任何其他 python 实现）来减少大型稀疏矩阵的维数和 return 低维嵌入然后可视化？
来自同一文档：
It is highly recommended to use another dimensionality reduction method (e.g. PCA for dense data or TruncatedSVD for sparse data) to reduce the number of dimensions to a reasonable amount (e.g. 50) if the number of features is very high. This will suppress some noise and speed up the computation of pairwise distances between samples.
scikit documentation 说明 fit_transform 只能用于密集矩阵，但我有一个 csr 格式的稀疏矩阵，我想对其执行 tsne。文档说对稀疏矩阵使用 fit 方法，但这不是 return 低维嵌入。
我很感激我可以像 this question 那样使用 .todense() 方法，但是我的数据集非常大（0.4*10^6 行和 0.5*10^4 列）所以不适合在记忆中。真的，使用稀疏矩阵来做这件事会很好。有没有办法使用 scikit TSNE（或 TSNE 的任何其他 python 实现）来减少大型稀疏矩阵的维数和 return 低维嵌入然后可视化？
来自同一文档：
It is highly recommended to use another dimensionality reduction method (e.g. PCA for dense data or TruncatedSVD for sparse data) to reduce the number of dimensions to a reasonable amount (e.g. 50) if the number of features is very high. This will suppress some noise and speed up the computation of pairwise distances between samples.