1. 拓扑数据分析从数学直觉到工程实践如果你处理过点云、图结构或者高维的时间序列数据可能有过这样的困惑传统的统计特征比如均值、方差或者深度学习的卷积核似乎总是抓不住数据里那种“形状感”。比如一个由传感器点构成的环形分布和一个实心球状分布在特征空间里可能拥有相似的统计分布但它们的“洞”和“连接性”截然不同。这种对数据“形状”和“结构”的量化需求正是拓扑数据分析Topological Data Analysis, TDA的用武之地。简单来说TDA是一套数学工具它不关心数据点的精确坐标只关心它们之间的连接关系所构成的“形状”。它的核心武器来自代数拓扑特别是同调群理论用来数数据里的“洞”0维洞是连通分量1维洞是环2维洞是空腔等等。而持久同调则是TDA的“时间机器”它让我们能看到这些“洞”随着观察尺度比如点与点之间的连接阈值变化时是如何“诞生”和“消亡”的从而区分出稳定的结构特征和短暂的噪声。这篇文章不是一篇数学教科书而是一个实践者的经验分享。我会带你绕开最抽象的代数推导直接切入核心概念和操作流程。我们将基于像ModelNet3D形状分类和UCR时间序列分类这样的真实基准数据集手把手地展示如何用Python工具链如GUDHI, scikit-tda从原始数据中提取拓扑特征并将其融入机器学习管道。你会发现为你的数据加上一双“拓扑之眼”往往能发现那些被传统方法忽略的、却至关重要的结构模式。2. 核心概念拆解从“形状”到“不变量”在深入代码之前我们必须建立清晰的直觉。TDA的核心思想是将一堆离散的数据点点云通过某种规则连接起来形成一个连续的几何对象称为单纯复形然后计算这个对象的拓扑不变量。2.1 同调群与Betti数给“洞”编号想象你有一张渔网数据点拓扑学不关心网线有多粗度量只关心网眼洞的个数和类型。同调群H_k(X)就是用来系统化描述这些“洞”的代数结构。这里的k代表维度H_0(X)描述0维洞即连通分量的数量。一个数据集被分成几个互不相连的“孤岛”。H_1(X)描述1维洞即环状结构的数量。像一个甜甜圈中间的洞或者一个圆圈。H_2(X)描述2维洞即封闭空腔的数量。像一个实心球内部挖空的空洞。Betti数β_k就是这些同调群的“秩”你可以粗暴地理解为第k维“洞”的个数。β_03意味着数据有三个独立的簇β_11意味着数据中有一个显著的环状结构。实操心得刚开始很容易把β_0和聚类数量混淆。但聚类算法如DBSCAN的结果依赖于参数且边界模糊。而β_0是一个在给定连接尺度下的、严格的数学定义。它告诉你“在这个特定的连接阈值下数据恰好有几个连通块”这个结论是确定无疑的。2.2 从点云到复形如何构建“形状”数据点本身是离散的没有“形状”。我们需要定义规则把它们连起来。最常用的两种复形是Vietoris-Rips复形 (Rips Complex)给定一个距离阈值ϵ。如果一组点中任意两点之间的距离都小于ϵ那么就用一个单形点、线段、三角形、四面体…把它们连起来。优点计算相对高效只需要两两距离。缺点可能会“填充”掉本应是空洞的区域。比如一个正方形的四个顶点在ϵ大于对角线长度时会被填充成一个实心的四面体三角形从而“杀死”了中间本应存在的1维洞环。Čech复形 (Čech Complex)给定一个距离阈值ϵ。以每个数据点为球心以ϵ/2为半径画球。如果一组点对应的球的交集非空就用一个单形连接这组点。优点拓扑性质更优能更准确地捕捉空洞。著名的神经定理保证了Čech复形的同伦型与这些球的并集相同。缺点计算极其昂贵需要检查所有高阶交集在实际中尤其是高维数据几乎不可行。工程中的取舍由于计算复杂度Rips复形是绝大多数实际应用的选择。虽然它不完美但通过后续的持久同调分析我们依然能有效地识别出稳定的拓扑特征。GUDHI等库对Rips复形的计算有高度优化。2.3 持续同调捕捉特征的“生命周期”单一的阈值ϵ是武断的。一个环在小尺度下可能看不见点太分散在中等尺度下出现在大尺度下又被填充消失。持续同调的核心思想就是让阈值ϵ从一个最小值连续增长到最大值观察每个拓扑特征洞的“生”与“死”。这个过程称为过滤 (Filtration){K_i}。我们得到一系列嵌套的复形K_0 ⊆ K_1 ⊆ ... ⊆ K_n。诞生 (Birth)当一个新的k维洞在复形K_b中出现时记录其诞生尺度b。死亡 (Death)当这个洞在复形K_d中被更高等的单形“填充”时记录其死亡尺度d。持久性 (Persistence)d - b。持久性越长的特征越可能是数据中真实的信号持久性短的很可能是噪声。2.4 可视化持续图与持续条形码如何表示这些(birth, death)对持续条形码 (Persistence Barcode)每个特征用一条横线段表示左端点在birth右端点在death。所有线段平行排列。一眼就能看出哪些特征“长寿”。优点非常直观比较不同维度特征的持久性很方便。缺点当特征很多时会显得杂乱。持续图 (Persistence Diagram)每个特征用二维平面上的一个点(birth, death)表示。由于洞总是在诞生之后才死亡所有点都位于对角线yx的上方。点到对角线的垂直距离就是其持久性。优点空间利用率高便于观察点的分布模式。是进行统计分析如计算Wasserstein距离的标准形式。缺点不同维度的特征需要用不同颜色或形状区分。注意事项在持续图中有些特征可能“永不死亡”例如数据整体构成的连通分量在最大尺度下也不会消失。对于这些特征其死亡时间记为∞。在实际绘图和计算时通常用一个远大于所有有限死亡时间的数值如np.inf或一个很大的数来替代并在后续处理中特殊对待。3. 实战流程从数据到拓扑特征向量理论说得再多不如一行代码。下面我们以经典的ModelNet10数据集3D点云形状分类为例展示一个完整的TDA特征提取流程。我们将使用gudhi和ripser这两个强大的Python库。3.1 环境准备与数据加载首先确保环境就绪。gudhi功能全面但安装稍麻烦依赖C库ripser轻量且接口简单特别适合快速计算Rips持续同调。# 安装核心库 pip install numpy scikit-learn pip install gudhi # 可能需要处理系统依赖如CGAL、Eigen等 # 或者对于快速上手更推荐 pip install ripser pip install persim # 用于处理持续图的可视化和距离计算 pip install gtda # scikit-tda提供了类似scikit-learn的管道接口我们使用ripser进行演示因为它最容易跑通。import numpy as np import matplotlib.pyplot as plt from ripser import Rips from persim import plot_diagrams import requests import io import tarfile # 1. 下载并加载一个ModelNet10样本这里以离线加载一个.npy文件为例 # 假设我们有一个本地文件 chair_sample.npy形状为 (N, 3) point_cloud np.load(chair_sample.npy) # 例如1000个点 print(f点云形状: {point_cloud.shape}) print(f前5个点:\n{point_cloud[:5]})3.2 计算持续同调使用ripser计算点云的持续同调。我们通常关注0维和1维特征因为2维及以上计算量剧增且在许多数据中意义不明显。# 初始化Rips计算器 rips Rips(maxdim1) # maxdim1 表示计算H_0和H_1 # 计算持续同调 diagrams rips.fit_transform(point_cloud) # diagrams 是一个列表diagrams[0]是H_0的特征diagrams[1]是H_1的特征 print(fH_0 特征数量: {len(diagrams[0])}) print(fH_1 特征数量: {len(diagrams[1])}) # 可视化持续图 plt.figure(figsize(10, 5)) plt.subplot(121) plot_diagrams(diagrams, showFalse) plt.title(Persistence Diagram) # 可视化持续条形码 plt.subplot(122) rips.plot(diagrams, showFalse) plt.title(Persistence Barcode) plt.tight_layout() plt.show()关键参数解析maxdim计算到第几维同调。maxdim2会计算H_0, H_1, H_2。thresh距离阈值的最大值。默认是无穷大但设置为一个合理值如点云直径的倍数可以显著加速计算。coeff同调群计算的系数域默认是素数域2。使用coeff2是最快且最稳定的它相当于在模2运算下考虑单形有/无。有时为了捕捉更精细的拓扑信息如定向会使用coeff0整数域但计算更复杂。实操心得对于含有数万个点的点云直接计算Rips复形是灾难性的。标准预处理步骤是下采样使用最远点采样 (Farthest Point Sampling) 或体素网格下采样将点云减少到1000-2000个点同时尽量保持其拓扑结构。计算距离矩阵ripser支持传入预计算的距离矩阵Drips.fit_transform(D, distance_matrixTrue)。如果你有自定义的度量如测地距离这非常有用。设置thresh观察点云的大致范围设置thresh为最大点间距的1.5-2倍通常足以捕捉主要特征并能大幅剪枝不必要的计算。3.3 从持续图到机器学习特征持续图或条形码本身是点集或线段集不能直接输入SVM或随机森林。我们需要将其“向量化”。以下是几种主流方法方法一持久性统计量 (Persistence Statistics)最简单直接的方法。对某一维度的所有特征(b, d)计算一组统计量各特征的持久性pers d - b所有持久性的均值、方差、熵、最大值等。所有诞生时间b的统计量。所有死亡时间d的统计量。def persistence_statistics(diagrams, homology_dim1): 计算持续图的统计特征。 diagrams: ripser返回的图列表 homology_dim: 计算哪一维同调的特征统计 diag diagrams[homology_dim] if len(diag) 0: return np.zeros(9) # 返回零向量以防无特征 # 移除无限持续的特征死亡时间为inf finite_diag diag[diag[:, 1] ! np.inf] if len(finite_diag) 0: return np.zeros(9) births finite_diag[:, 0] deaths finite_diag[:, 1] persistences deaths - births stats [] # 持久性统计 stats.append(persistences.mean()) stats.append(np.median(persistences)) stats.append(persistences.max()) stats.append(persistences.std()) # 诞生/死亡时间统计 stats.append(births.mean()) stats.append(deaths.mean()) # 持久性分布的熵粗糙估计 hist, _ np.histogram(persistences, bins10, densityTrue) hist hist[hist 0] entropy -np.sum(hist * np.log(hist)) stats.append(entropy) # 特征数量 stats.append(len(finite_diag)) # 持久性总和 stats.append(persistences.sum()) return np.array(stats) # 为H_0和H_1分别计算特征向量 feat_h0 persistence_statistics(diagrams, homology_dim0) feat_h1 persistence_statistics(diagrams, homology_dim1) # 拼接成最终特征向量 topological_feature_vector np.concatenate([feat_h0, feat_h1]) print(f拓扑特征向量维度: {topological_feature_vector.shape}) print(f特征值: {topological_feature_vector})方法二持久性图像 (Persistence Images)将持续图转化为一个二维灰度图像。过程如下将每个点(b, d)转换为(b, persistence)其中persistence d - b。这相当于把图沿对角线“旋转”了一下。将每个点用一个高斯核函数或其他核函数表示其权重可以是持久性本身或其他函数。在指定的像素网格上对所有这些高斯核进行叠加积分得到一个二维矩阵图像。from persim import PersistenceImager # 创建持久性成像器 pimgr PersistenceImager(pixel_size0.1, birth_range(0, 2), pers_range(0, 2)) # 设置参数像素大小birth轴范围persistence轴范围 pimgr.fit(diagrams[1]) # 以H_1的图为例进行拟合确定范围 # 转换持续图为图像 persistence_image pimgr.transform(diagrams[1]) # 可视化 pimgr.plot_image(persistence_image) plt.title(Persistence Image (H1)) plt.show() # 将图像展平作为特征向量 image_vector persistence_image.flatten()方法三拓扑向量 (Betti曲线/持久性景观)Betti曲线对于每个尺度ϵ计算该尺度下的Betti数β_k(ϵ)得到一个关于ϵ的函数。对其进行采样或插值得到向量。持久性景观 (Persistence Landscape)一种将持续图转化为一系列函数景观的方法具有良好的数学性质属于希尔伯特空间便于进行统计分析。注意事项选择哪种向量化方法取决于任务和数据。统计量最简单可解释性强但可能丢失空间分布信息。持久性图像保留了更多空间信息适合与CNN结合但引入了像素大小、带宽等超参数。持久性景观理论性质好但计算稍复杂。我的经验是对于初步尝试从持久性统计量开始它通常能提供一个不错的基线。3.4 构建机器学习管道现在我们可以将拓扑特征作为传统特征工程的补充构建分类器。from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline from sklearn.metrics import accuracy_score import glob # 假设我们有一个数据加载函数返回点云列表和标签列表 def load_modelnet_samples(data_path, class_name, num_samples_per_class50): # 简化示例加载某个类别的.npy文件 file_pattern f{data_path}/{class_name}/*.npy file_list glob.glob(file_pattern)[:num_samples_per_class] point_clouds [np.load(f) for f in file_list] labels [class_name] * len(point_clouds) return point_clouds, labels # 加载两个类别做二分类示例 chair_pcs, chair_labels load_modelnet_samples(./ModelNet10, chair, 50) table_pcs, table_labels load_modelnet_samples(./ModelNet10, table, 50) all_pcs chair_pcs table_pcs all_labels [0]*50 [1]*50 # 0 for chair, 1 for table # 提取拓扑特征 def extract_tda_features(point_clouds, maxdim1): features [] rips Rips(maxdimmaxdim, thresh2.0) # 设置阈值加速 for pc in point_clouds: # 可选下采样 pc downsample(pc, num_points1024) diagrams rips.fit_transform(pc) feat_h0 persistence_statistics(diagrams, 0) feat_h1 persistence_statistics(diagrams, 1) feat_vector np.concatenate([feat_h0, feat_h1]) features.append(feat_vector) return np.vstack(features) X_tda extract_tda_features(all_pcs) y np.array(all_labels) # 划分数据集 X_train, X_test, y_train, y_test train_test_split(X_tda, y, test_size0.2, random_state42) # 构建管道标准化 分类器 pipeline Pipeline([ (scaler, StandardScaler()), (clf, RandomForestClassifier(n_estimators100, random_state42)) ]) # 训练与评估 pipeline.fit(X_train, y_train) y_pred pipeline.predict(X_test) accuracy accuracy_score(y_test, y_pred) print(f仅使用TDA特征的分类准确率: {accuracy:.4f})与其它特征融合拓扑特征很少单独使用。通常与几何特征如点云的PFH、FPFH、统计特征或深度学习特征拼接形成混合特征向量往往能获得最佳效果。# 伪代码特征融合示例 def extract_geometric_features(point_cloud): # 例如计算法向量直方图、曲率统计等 geometric_feat compute_fpfh(point_cloud) # 假设的函数 return geometric_feat # 对每个样本 tda_feat extract_tda_features([pc])[0] geom_feat extract_geometric_features(pc) combined_feat np.concatenate([tda_feat, geom_feat])4. 拓展到图数据与时间序列TDA不仅适用于点云。图和时间序列可以通过巧妙的转换变成点云或过滤复形。4.1 图数据的拓扑特征提取对于一个图G(V, E)我们可以用两种主要方式应用TDA方法A将图节点嵌入为点云使用图嵌入算法如Node2Vec, GraphSAGE将每个节点映射为一个低维向量。然后这个向量集合就可以当作点云来处理计算其持续同调。这能捕捉节点在嵌入空间中的全局拓扑结构。方法B构建图本身的过滤复形这是更“原生”的方法。我们基于图的结构定义一个过滤参数如节点/边的权重、度中心性等构建一个嵌套的子图序列过滤然后计算其持续同调。顶点过滤根据每个节点的某个属性如PageRank值排序逐步添加节点及其关联边。边过滤更常用。根据边的权重如相似度排序从空图开始逐步添加权重从大到小的边。随着边的增加连通分量H_0会合并环H_1会产生和消失。团复形 (Clique Complex)为了捕捉更高阶的交互我们不只添加边当一组节点两两相连形成一个团时添加更高维的单形。这需要计算团复形Cl(G)。import networkx as nx from gudhi import SimplexTree def graph_persistence_diagram(G, weight_attrweight): 计算基于边权过滤的图持续同调H0。 G: networkx图边有权重属性。 # 1. 获取边及其权重按权重升序排列从最弱连接到最强连接 edges list(G.edges(dataTrue)) edges_sorted sorted(edges, keylambda x: x[2].get(weight_attr, 1.0)) # 2. 初始化一个单纯复形这里用GUDHI的SimplexTree st SimplexTree() # 先插入所有0-单形顶点 for v in G.nodes(): st.insert([v], filtration-1e10) # 在最小过滤时间插入顶点 # 3. 逐步添加边并分配过滤值权重 for u, v, data in edges_sorted: w data.get(weight_attr, 1.0) st.insert([u, v], filtrationw) # 注意这里为了简单只构建了图复形只有0维和1维单形。 # 要计算H1通常需要构建团复形即当三角形形成时插入2-单形。 # 这需要检测循环计算量更大。 # 4. 计算持续同调 diag st.persistence() # diag 是一个列表元素如 (dim, (birth, death)) # 分离不同维度的特征 persistence_by_dim {} for dim, (birth, death) in diag: if dim not in persistence_by_dim: persistence_by_dim[dim] [] persistence_by_dim[dim].append((birth, death)) return persistence_by_dim # 示例创建一个随机权重图 G nx.erdos_renyi_graph(n30, p0.15) for u, v in G.edges(): G[u][v][weight] np.random.rand() # 随机边权 diagrams graph_persistence_diagram(G) print(fH0特征: {len(diagrams.get(0, []))}) # 对于H1需要更复杂的团复形构建可使用GUDHI的FlagComplex或RipsComplex从距离矩阵构建。实操心得对于图数据基于边权的H_0持续同调与层次聚类 (Hierarchical Clustering)的树状图有深刻联系。每个H_0特征的死亡时间对应着两个簇合并时的距离。因此图的持续同调提供了一种多尺度的聚类视角。4.2 时间序列的拓扑分析时间序列{x_t}可以通过以下方式转化为拓扑对象方法A时滞嵌入 (Takens Embedding)这是分析动力系统的经典方法。对于一维时间序列通过时滞坐标重构出一个高维空间中的轨迹。选择嵌入维数m和时滞τ。构造点云v_t [x_t, x_{tτ}, x_{t2τ}, ..., x_{t(m-1)τ}]。对这个点云计算持续同调。其拓扑特征反映了原始动力系统的吸引子结构。方法B子水平集/超水平集过滤将时间序列视为一个定义在时间轴1D空间上的函数f(t)。子水平集过滤让一个阈值α从最小值扫到最大值。观察函数值低于α的区域即{t | f(t) α}的拓扑变化。这主要捕捉“谷底”的连通性。超水平集过滤类似观察函数值高于α的区域{t | f(t) α}捕捉“波峰”的连通性。这种过滤产生的持续同调可以量化时间序列中“峰”和“谷”的持久性。UCR数据集实战示例 UCR是时间序列分类的基准库。我们可以对每条时间序列应用时滞嵌入然后提取拓扑特征。from sklearn.preprocessing import StandardScaler def time_series_to_point_cloud(series, m3, tau1): 使用时滞嵌入将时间序列转化为点云 n len(series) if n m * tau: raise ValueError(序列长度不足以进行时滞嵌入) point_cloud [] for i in range(n - (m-1)*tau): point series[i:i m*tau:tau] point_cloud.append(point) return np.array(point_cloud) # 假设加载了UCR数据集中的一条数据 # series, label load_ucr_sample(...) series np.random.randn(100) # 示例随机序列 series StandardScaler().fit_transform(series.reshape(-1, 1)).flatten() # 标准化 # 参数选择m和tau的选择是关键可以用互信息法、虚假最近邻法等这里简单设置。 m, tau 3, 5 pc time_series_to_point_cloud(series, mm, tautau) # 计算拓扑特征 rips Rips(maxdim1, thresh3.0) diagrams rips.fit_transform(pc) # 后续提取统计特征向量与3.3节类似注意事项时间序列的拓扑分析对噪声非常敏感。预处理如去噪、平滑至关重要。此外时滞嵌入参数(m, tau)的选择极大影响结果需要通过交叉验证或基于数据本身的方法如虚假最近邻法确定m互信息法确定tau进行优化。5. 常见陷阱、技巧与高级话题在实际项目中应用TDA你会遇到一些典型的坑。这里分享一些我的经验。5.1 计算效率与可扩展性问题Rips复形的计算复杂度随点数和维度呈组合爆炸式增长。对于超过几千个点的数据集直接计算是不现实的。解决方案下采样如前所述这是第一步。确保下采样方法能保持拓扑如最远点采样。稀疏化/近似算法Witness复形从大量点地标点中选出一个小子集见证点来近似原数据的拓扑。计算量远小于Rips。Graph-induced 复形先构建一个最近邻图如k-NN图然后只考虑这个图中的边和团。这相当于在距离矩阵上施加了一个稀疏约束。使用高效库ripser库内部使用了高度优化的算法如稀疏矩阵的持久同调计算。GUDHI也提供了多种复形和优化选项。并行化特征提取过程对每个样本计算持续同调是独立的可以轻松并行。from joblib import Parallel, delayed def process_one_sample(pc): rips Rips(maxdim1, thresh2.0, n_threads1) # 每个进程一个实例 diagrams rips.fit_transform(pc) return persistence_statistics(diagrams, 0), persistence_statistics(diagrams, 1) # 并行处理多个点云 results Parallel(n_jobs4)(delayed(process_one_sample)(pc) for pc in list_of_point_clouds)5.2 特征稳定性与参数选择问题拓扑特征对噪声、采样密度和算法参数如Rips的maxdim,thresh敏感。解决方案稳定性理论持续同调本身具有稳定性定理。小的数据扰动在豪斯多夫距离或瓶颈距离下只会导致持续图发生小的移动。这意味着长寿的特征是稳定的。关注持久性长的特征在分析时重点关注那些远离对角线持久性大的点。它们代表了数据的稳健拓扑信号。多尺度集成不要只依赖一组参数。可以尝试不同的下采样率、不同的距离度量如添加密度加权距离然后集成多组拓扑特征。使用持久性图像或景观它们对特征的位置微小变化比原始的(b,d)点对更鲁棒。5.3 与深度学习的结合这是当前的研究热点。如何让拓扑特征与深度神经网络端到端地协同工作作为输入特征如前所述将向量化后的拓扑特征与其它特征拼接输入全连接网络。作为正则化项设计一个基于拓扑的损失函数鼓励网络学习到的隐层表示具有某种期望的拓扑性质。例如希望某个层的激活值构成的点云具有较少的连通分量更紧凑。拓扑层研究如何构建可微的拓扑层使其能够嵌入到神经网络中。这是一个前沿方向例如“持续同调变换”的尝试但实现复杂且计算开销大。一个简单的融合示例在点云分类网络如PointNet中除了每个点的特征和全局特征外额外拼接一个由整个点云计算出的拓扑特征向量。5.4 距离与比较如何度量两个持续图的差异当需要比较两个数据集或两个模型的拓扑特征时需要度量两个持续图PD1和PD2之间的距离。常用两种瓶颈距离 (Bottleneck Distance)W_∞找到两个点集之间的最佳匹配使得任意匹配点对之间的距离最大值最小。它对异常值非常敏感。p-Wasserstein距离W_p是瓶颈距离的推广考虑了所有匹配点对距离的p次方的和。p2时就是平方和再开方更平滑。from persim import bottleneck, wasserstein # 计算两个持续图例如都是H1之间的距离 diagrams1 ... # 第一个样本的持续图列表 diagrams2 ... # 第二个样本的持续图列表 # 提取H1的图并处理无穷大值通常用np.max替换 dgm1 diagrams1[1] dgm2 diagrams2[1] # 处理无穷大死亡时间用一个大的有限数替代 max_finite max(np.max(dgm1[dgm1[:,1] ! np.inf, 1]), np.max(dgm2[dgm2[:,1] ! np.inf, 1])) dgm1[dgm1[:,1] np.inf, 1] max_finite * 1.1 dgm2[dgm2[:,1] np.inf, 1] max_finite * 1.1 bottleneck_dist bottleneck(dgm1, dgm2) wasserstein_dist wasserstein(dgm1, dgm2) print(f瓶颈距离: {bottleneck_dist}) print(f2-Wasserstein距离: {wasserstein_dist})这些距离可以用于构建拓扑层面的核函数或者直接用于聚类、检索任务。拓扑数据分析为理解复杂数据打开了一扇新窗口。它提供的“形状”特征与传统的数值特征和深度学习学到的表示特征形成了有力的互补。入门的关键在于动手实践选一个熟悉的数据集比如MNIST图像转换成点云或者一个简单的社交网络图从计算一个持续图开始观察其特征思考其含义。开始时可能会被数学符号吓到但记住工具库已经为我们封装了大部分复杂性。我们的任务是成为一个聪明的“调参师”和“特征工程师”让这些深刻的数学思想为实际的机器学习问题服务。在实践中你可能会发现对于某些问题拓扑特征带来了显著的提升对于另一些问题它可能只是提供了一个有趣但辅助的视角。但这正是探索的乐趣所在。
