arXiv cs.AI· Bruno Iochins Grisci, Mario Inostroza-Ponta, M\'arcio Dorn·· 13 小时前AI 评分22
用 t-SNE 评估高维数据集上的特征评分器结果
Assessing feature scorer results on high-dimensional datasets with t-SNE
AI 导读
研究提出“weighted t-SNE”，通过修改嵌入 2D 空间中数据点之间的关系，反映特征评分器给出的各原始维度重要性。作者给出实现方法，并提出用轮廓系数对结果做数值评估，在合成与真实表格数据集上结合从互信息到神经网络的九种特征评分器进行实验。该方法可比较并选择更适合特定数据集与任务的特征评分器，也能可视化机器学习模型所学特征的重要性。
正文 · AI 翻译
摘要：尽管关于高维数据可视化的文献非常丰富，但涉及特征评分器及其结果可视化的研究并不多。特征评分器是一种为多维数据集的每个特征赋予数值重要性的算法。这些重要性分数可用于多种应用，例如特征选择、知识发现和机器学习可解释性。可选择的特征评分器有多种，而且往往没有单一指标或基准真值来保证其结果的质量。在这种情况下，可视化可以变得很有价值，用于支持决定选择哪种方法以及其结果有多好。为此，本工作提出了“加权 t-SNE”。它修改嵌入二维空间中数据点之间的关系，以反映特征评分器所评估的原始数据集每个维度的重要性。本研究讨论了如何实现加权 t-SNE，提出用轮廓系数对结果进行数值评估，并展示了多个实际应用示例。实验使用了合成和真实世界的表格数据集，以及从互信息到神经网络的九种特征评分器。每种特征评分器都会产生独特的可视化结果，而加权 t-SNE 可用于比较并选择最适合给定数据集和任务的那一种。加权 t-SNE 还可以直观地展示机器学习模型所学到的特征重要性，并帮助我们了解它们如何组织数据，从而提高其可解释性。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| ACM 分类： | I.2.6；I.5.3 |
| 引用为： | arXiv:2610.39009 [cs.LG] |
| （或 arXiv:2610.39009v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39009 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | B.I. Grisci, M. Inostroza-Ponta, M. Dorn, Assessing feature scorer results on high-dimensional datasets with t-SNE, Neurocomputing 652 (2025) 130561 |
| 相关 DOI： | https://doi.org/10.1016/j.neucom.2025.130561
链接到相关资源的 DOI |
提交历史
来自：Bruno Iochins Grisci [查看电子邮件]
[v1]
2026年10月28日星期三 22:40:13 UTC（4,108 KB）
来源：arXiv cs.AI · arxiv.org