网站做我女朋友,电商平台网站定制,网站的规划方案,湘潭市哪里做网站t-SNE#xff1a;高维数据分布可视化
实例1#xff1a;自动生成一个S形状的三维曲线
实例1结果#xff1a; 实例1完整代码#xff1a;
import matplotlib.pyplot as plt
from sklearn import manifold, datasets
对S型曲线数据的降维和可视化高维数据分布可视化
实例1自动生成一个S形状的三维曲线
实例1结果 实例1完整代码
import matplotlib.pyplot as plt
from sklearn import manifold, datasets
对S型曲线数据的降维和可视化x, color datasets.make_s_curve(n_samples1000, random_state0) # 生成一个S形状的三维曲线以及相应的颜色数据,数据点的数量为1000个,随机数种子是0,color是[1000,1]的一维数据,对应每个点的颜色
n_neighbors 10
n_components 2 #n_neighbors和n_components分别表示t-SNE算法中的近邻数和降维后的维度数fig plt.figure(figsize(15, 15)) #图像的宽和高
plt.suptitle(Dimensionality Reduction and Visualization of S-Curve Data , fontsize14) #自定义图像名称# 绘制S型曲线的3D图像
ax fig.add_subplot(211, projection3d) #分为2行1列的子图布局选择第1个子图投影方式为3D
ax.scatter(x[:, 0], x[:, 1], x[:, 2], ccolor, cmapplt.cm.Spectral) #x[:, 0], x[:, 1], x[:, 2]代表x,y,z 绘制散点图Spectral colormap将不同的颜色映射到数据集的不同标签上
ax.set_title(Original S-Curve, fontsize14)
ax.view_init(4, -72) # 将视角设置为仰角4度方位角-72度# t-SNE的降维与可视化
ts manifold.TSNE(n_componentsn_components,perplexity30) #将原始数据降低到n_components维度perplexity30表示t-SNE算法的困惑度参数设置为30。
# 训练模型
y ts.fit_transform(x)
ax1 fig.add_subplot(2, 1, 2) ##分为2行1列的子图布局选择第2个子图
plt.scatter(y[:, 0], y[:, 1], ccolor, cmapplt.cm.Spectral)
ax1.set_title(t-SNE Curve, fontsize14)
plt.show() 实例2手写数字
实例2结果 这个由于数据量太多呈现的效果不是很明显
实例2完整代码
from sklearn import preprocessing
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
import torchvisiontraindata torchvision.datasets.MNIST(root./t-SNE_dataset/, trainTrue, downloadTrue)
testdata torchvision.datasets.MNIST(root./t-SNE_dataset/, trainFalse, downloadTrue)X_train traindata.data #[60000, 28, 28]
y_train traindata.targets #[60000]
X_test testdata.data #[10000, 28, 28]
y_test testdata.targets #[10000]X_train X_train.view(len(X_train), -1) #[样本数量, 特征维度]-1是根据原来的形状自动计算出新的维度大小以保证总的元素个数不变这里是28*28
X_test X_test.view(len(X_test), -1)# t-SNE降维处理
tsne TSNE(n_components3, verbose1 ,random_state42) #n_components3表示降维后的维度为3即将图像数据降低到三维verbose1表示打印详细的日志信息random_state42表示设置随机种子以保证可重复性。
train tsne.fit_transform(X_train)
test tsne.transform(X_test) # 注意使用已经训练好的t-SNE对象对验证集进行降维不再fit_transform# 归一化处理
scaler preprocessing.MinMaxScaler(feature_range(-1,1))
train scaler.fit_transform(train)
test scaler.transform(test) # 对验证集进行归一化处理使用训练集的scaler对象进行transformfig plt.figure(figsize(20, 20))
ax fig.add_subplot(projection3d) #创建一个三维坐标轴并将它添加到图像窗口中
ax.set_title(t-SNE process)
ax.scatter(train[:,0], train[:,1], train[:,2] , cy_train, markero, labelTrain, s10)
#cy_train表示根据训练集的标签y_train来对散点进行颜色编码,每个标签对应一个特定的颜色。s10将每个数据点的大小设置为 10 像素,使用markero表示使用圆圈形状的标记来表示训练集
ax.scatter(test[:,0], test[:,1], test[:,2] , cy_test, marker^, labelTest, s10) # 使用marker^表示使用三角形形状的标记来表示验证集
ax.legend() # 添加图例,以便区分训练集和验证集plt.show() 参考http://t.csdnimg.cn/cshBV
