第 12 章：t-SNE深度解析
“在数据可视化的世界里，t-SNE 就是那个把乱麻理顺的魔术师。”
如果你在 Kaggle 上看过别人的 Kernel，你一定见过那种把 MNIST 手写数字完美分成 10 堆彩色小岛的图。
这种令人惊叹的“分堆”效果，90% 都是 t-SNE (t-分布随机邻域嵌入) 的功劳。
它不是在做数学投影（像 PCA 那些线性代数游戏），而是在做概率匹配。它强迫低维空间中的点，必须模仿高维空间中的社交关系。
本章我们将深入这个稍微有点复杂的算法内部，掰开揉碎了讲讲它是如何利用“学生 t 分布”来解决拥挤问题的。
(图注：上图是高维空间，下图是低维空间。t-SNE 通过梯度下降，不断移动下图中
第 11 章：非线性降维基础
“地球是圆的，但地图是平的。把球面画成平面的过程，就是流形学习。”
PCA 假设数据分布在一个平坦的超平面上。但现实世界的数据往往是卷曲的、扭曲的。
经典的例子是 “瑞士卷” (Swiss Roll) 数据集。数据像一块卷起来的地毯。
如果你直接用 PCA 从侧面压扁它（线性投影），原本相隔很远的两层会叠在一起，红色的点和蓝色的点就混淆了。这就叫投影混叠。
我们需要把这个卷小心翼翼地展开，就像把地毯铺平一样。这叫 流形学习 (Manifold Learning)。
1. 核心概念：流形假设 (Manifold Hypothesis)
流形学习基于一个大胆的假设：
虽然数据看起来维数
第 10 章：线性降维：PCA
“最好的数据压缩算法，不是 zip，而是理解数据的结构。”
我们生活在一个高维数据爆炸的时代。
* 图像：一张 100x100 像素的小头像，如果展平，就是 10,000 维的向量。
* 文本：一段包含 512 个 token 的文本，如果用 Embedding 表示，通常是 768 维或 1536 维。
* 用户画像：一个电商用户的特征，可能包含点击历史、购买力、地理位置等几千个指标。
在这些成千上万的维度中，往往充斥着冗余（比如“出生年份”和“年龄”完全相关）和噪声（比如图片边缘的随机噪点）。
降维 (Dimensionality Reduction) 的目标很简单：去粗取精。
第 09 章：聚类评估方法
“没有标准答案的考试，该怎么评分？”
在监督学习（如猫狗分类）中，评估很简单：你猜对了多少个？Accuracy = 95%。
但在无监督学习中，我们没有 Ground Truth（真实标签）。
机器把数据分成了 3 堆，你怎么知道分得对不对？也许实际上应该是 4 堆？或者那两个点不该在一起？
本章我们将介绍一套系统化的评估体系。既然没有外部答案，我们就从内部结构、稳定性、业务价值等多个维度来审视聚类结果。
(图注：聚类评估的四个维度：内部评估、外部评估、稳定性评估、业务评估。)
1. 评估体系概览 (The Evaluation Taxonomy)
聚类评估不仅仅是算一个分数，
第 08 章：概率模型聚类
“上帝不掷骰子，但数据科学家掷。” —— 改编自爱因斯坦
之前的聚类算法（K-Means, DBSCAN）都有一个共同特征：硬聚类 (Hard Clustering)。
一个样本要么属于 A，要么属于 B，没有中间地带。
这就像把人简单分为“好人”和“坏人”，丢失了人性的复杂灰度。
在实际的文本分析场景中，我们经常遇到这种情况：
用户工单：”快递员态度太差了，而且还不给我送上楼，我要退款！”
这句话既涉及【物流服务】，又涉及【退款流程】。如果硬把它归为某一类，就会丢失另一半信息。
本章我们将介绍 高斯混合模型 (GMM, Gaussian Mixture Model)，它引入了 软聚类
