轉載：用Tensorflow實現Sammon嵌入

近年來，由於很多人工智慧的問題都涉及大量特徵量造成向量長度過大，各式各樣的降維方法應運而生。這在自然語言處理的問題更明顯的，如果每一個字（漢字或英語單詞）都是一個特徵的話，那向量就太長了，所以才Word2Vec、GloVe、FastText、Wordrank之類的嵌入（embedding）方法。坊間不缺降維的方法，線性的如主成份分析（Principal Component Analysis, PCA），非線性的如自組織映射（self-organizing map, SOM）、自編碼器（autoencoder）、t-SNE（t-distributed stochastic neighbor embedding）等。

這條目要實現的是Sammon嵌入或Sammon映射，是一個比較古老的方法，現在也十分常用。

鏈接：用Tensorflow實現Sammon嵌入

插圖來自Multidimensional Data Visualization Techniques for Financial Performance Data: A Review (PDF Download Available)