为什么我的sklearn t-sne函数在达到最大迭代次数之前就停止了

我正在尝试对一个方形距离矩阵进行t-SNE分析。这些是我使用的命令。

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：t-SNE函数的输出

看起来程序运行了75次迭代后就认为已经完成并停止了。当我绘制t-SNE的数据时，它基本上只是一个密集的单一团块。为什么程序提前停止了，我怎样才能让它运行更长时间？

回答：

它停止是因为达到了退出条件。

根据日志的解释，退出条件可能是这里称为梯度范数的梯度度量。如果需要，可以查看梯度下降的基础知识来理解这个直觉。由于每次迭代都是向梯度的负方向迈出一步，微小的梯度不会对目标有太大影响（并且会被解释为：我们找到了局部/全局最小值）。

看起来（仍然只是根据你的日志解释）：

if np.linalg.norm(gradient) < 1e-4:    return solution

对于这个优化问题的参数化，没有必要继续进行更多的迭代。解决方案不会在最小化方面变得更好。

你只能尝试其他参数（导致其他优化问题）。

学技术