数据聚落有效性效果图

Totypes性格测试

首页

荣格八维测试

本量表以荣格的心理类型与约翰毕比荣格八维模型作为理论依据，主要用来帮助定位和察觉个体擅长使用的认知功能，找到自己最舒适自然的状态和优势。请注意，本量表不测量任何人的能力、必然有的行为、社会地位及未来运势。

前往测试

优惠兑换码购买

优惠购买totypes初级和高级版报告兑换码，适用于批量订购（十个及以上），欢迎职业生涯规划师 / 志愿填报师 / 企业人员 / 人力资源管理相关从业人员及爱好者订购。

前往购买

初级版类型报告样例

超全高级版报告购买

40项优势才干报告购买

数据大事件

十六类型常模大数据

中国各省份测试者
认知差异

数据聚落有效性
深度算法图

信效度数据分析公开
（120题版本）

眼动测试

理论及类型专业解析

类型解读

经典十六类型专业解读，含有优势荣格八维功能初步解析，如需更多类型深度解析请购买初级/高级版Totypes荣格八维解读报告。

查看

理论讲解

荣格八维功能及相关理论。

荣格八维功能

荣格八维理论依据及网站信效度公布

荣格八维理论体系

荣格八维专业课程（入门到进阶）

讲师推荐

各平台讲师推荐

预约咨询

预约专家个人咨询

前往预约

预约企业及组织管理培训

前往咨询

咨询反馈评价一览

前往查看

荣格八维专业认证课程

认证师证书查询系统

公告

联系我们

Totypes性格测试

登录注册

数据聚落有效性深度算法图

总览

数据聚落有效性

类型功能多维数据对比

INTP vs ESFJ

ENTP vs ISFJ

INTJ vs ESFP

ENTJ vs ISFP

ENFJ vs ISTP

INFJ vs ESTP

ENFP vs ISTJ

INFP vs ESTJ

网站算法结果版本

机器学习版本

原始灰度版本

每个类型对比都有三张图片：原始灰度图片，k-means机器学习算法图片，Totypes荣格八维测评网站的算法图片。

我们使用t-SNE算法从高维数据中生成了原始的灰度图片，并对这些图片进行了两种不同的上色处理：一种使用k-means机器学习的算法，另一种使用Totypes荣格八维测评网站的算法。这两种上色方法都在15000名被试的数据上进行了测试。比较结果显示，Totypes荣格八维测评网站的算法在区分度上的表现最为优秀，超过了传统的k-means机器学习算法。这说明Totypes的算法不仅能更准确地识别和区分数据特点，而且在处理类似的复杂数据时更有效。

例如，可以想象我们有一组灰度图像，这些图像通过t-SNE算法生成，每张图像代表一个数据点的多维特征压缩表示。我们用k-means算法和Totypes算法分别对这些图像进行着色。通过对比着色后的图像，我们发现使用Totypes算法的图像中，相似的数据点颜色更统一，不同类别的数据点颜色区分更明显，这表明Totypes算法在维持和展示数据的内在结构方面表现更佳。这种优势可能源自Totypes算法在处理个性化和复杂数据时的高级逻辑和优化策略。

我们所使用的是t-SNE算法，全称为t-distributed Stochastic Neighbor Embedding，中文译为“t分布随机邻近嵌入”。这是一种数据降维技术，主要用于高维数据的可视化。其基本思想是将高维空间中的数据点映射到低维空间（如二维或三维空间），同时尽可能保留数据点之间的局部结构。

举个例子，假设我们有一个包含各种水果的数据集，每种水果都有多种属性（如甜度、颜色、大小等），这些属性构成了一个高维空间。t-SNE算法可以帮助我们将这些高维属性数据映射到二维平面上，使得相似的水果（即属性相近的水果）在平面上也相邻。通过这种映射，我们可以更直观地看到哪些水果是相似的，哪些是不同的。

在t-SNE映射的二维空间中，如果某两类数据点明显分开，则说明这两类数据在高维空间中也有较好的区分度；如果映射后的数据点混在一起，难以区分，则可能是因为原始数据集本身就难以区分，或者这些数据不适合用t-SNE方法降维到低维空间。

ENTP vs ENTJ

ESTP vs INFJ

多维对比