
- 자기 자신을 출력으로 나오게 한다.
- 자기 자신이 비교 대상




train_x, train_x를 fit한 걸로 보아 train_x가 입출력하게 학습시키고 있다.

그럼 결과 역시 자기 자신이 나온다는 것을 의미한다.
CNN을 활용해보기

DANSE 64 부분이 특성, code라고 할 수 있다.
t-SNE
- 고차원의 벡터를 저차원으로 옮겨서 시각화에 도움을 주는 방법
- t Stochastic Nearest Neghbor
- k-Means가 각 클러스터를 계산하기 위한 단위로 중심과 각 데이터의 거리를 측정한다면
- t-SNE는 각 데이터의 유사도를 정의하고 원래 공간에서의 0사도와 저차원 공간에서의 유사도가 비슷해지도록 학습시킴
- 유사도가 수학적으로 확률로 표현