sklearn TSNE 降维向量问题

[armorsmith]

现在手里有 360w 个 200 维向量，存放在 np.array 里，想把这些向量降维到二维然后投影出来，观察聚类情况。 使用 TSNE 的时候，出现问题，会卡住，过一段时间自动 kill 掉，但是如果用低维小数据测试则可以正常运行。

请问是不是数据太大，是否应该在训练时就调低向量维度？或者除 TSNE 外其他适合实现该数据降维的轮子。 环境为 python3.5，osx

[menc]

想要没有性能问题和内存问题，请不要用 sklearn，效率极差。
手写一个就好

[livc]

一个向量一个向量降就可以了吧

[armorsmith]

@menc QAQ,这么残忍的么

[armorsmith]

@livc 现在的想法是一方面用 doc2vec 做句向量，一方面把 360w 个循环进行均值，取最后 3w 个左右结果，然后再做，目前的话切片之后跑个万条是没问题的

[Morriaty]

200 维这么整，是 w2v 的结果？

没用过 tsne，输入可以是稀疏矩阵或者生成器吗

[EmdeBoas]

试试 pca 或者用 SPSS 做主成分分析...

[billgreen1]

换个大内存的机器跑吧

[armorsmith]

@EmdeBoas 好哒，这就去这就去

[armorsmith]

@Morriaty 是 word2vec，这个是抓取的部分社交网站用户的发言，之后做的向量化，输入是 np.array

[armorsmith]

@billgreen1 跑不动了....我选择向量加一加，数量级降下来再跑，应该还是对数据集有代表性的吧？

[RustingSword]

应该是内存扛不住了。
不过就算能跑出来，360w 也没法看吧，可以采样一部分比较重要的词做降维，比如可以按 embedding 向量的范数排序，选最大的几千个先看看。
另外如果要用 python 来搞，https://github.com/DmitryUlyanov/Multicore-TSNE 比 sklearn 的效率会高很多。

[armorsmith]

@RustingSword 好哒！谢谢大佬！很有用！

[ijustdo]

滑窗 归一 然后有中间步骤的话 记得每部 保存磁盘序列化对象
成本最小的是加内存 妈的 昨天晚上刚跑了 8600w+

我是每个 100w 然后结果再下一步 呵呵 然后多进程

[ruoyu0088]

TSNE 的文档，建议使用 PCA 或 TruncatedSVD 降维

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.

[aaronzjw]

估计 sklearn 吃不消的