待验证50% 置信事实精确时间

项目内置了用NumPy实现的PCA与t-SNE降维分析，可逐层查看测试集在特征空间中的分布

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/9/26

首次发现

有效期至：2026/12/25

来源

纯NumPy手写MLP训练可视化工具：让神经网络内部一览无遗

涉及实体

neural-network-digitsproduct PCAconcept t-SNEconcept

相关事实

待验证PCA（主成分分析）是一种经典的无监督降维技术，通过计算数据协方差矩阵的特征值和特征向量，找到数据中方差最大的方向（主成分）70% 相似待验证研究采用SMOTE合成少数类过采样技术和PCA主成分分析进行数据预处理67% 相似已验证检测数据污染的方法包括n-gram重叠分析、难度扰动测试和时间切割法64% 相似待验证模型检测通过穷举系统状态空间来验证属性是否成立，代表工具有SPIN和NuSMV63% 相似待验证KiHub 支持原理图与 PCB 可视化版本对比、带定位的精准评论、自动化检查（包括 DRC、ERC、BOM 一致性检查）以及审批流程管理63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/952810

API

curl https://kongchang.com/api/v1/knowledge/claims/952810

MCP

get_claim(id=952810)