T-distributed Stochastic Neighbor Embedding (T-SNE) 是一种可视化高维数据的工具。T-SNE 基于随机邻域嵌入,是一种非线性降维技术,用于在二维或三维空间中可视化数据。
Python API 提供 T-SNE 方法可视化数据。在本教程中,我们将简要了解如何在 Python 中使用 TSNE 拟合和可视化数据。教程涵盖:
- 鸢尾花数据集TSNE拟合与可视化
- MNIST 数据集 TSNE 拟合和可视化
我们将从加载所需的库和函数开始。
- import seaborn as sns
- import pandas as pd
鸢尾花数据集TSNE拟合与可视化
加载 Iris 数据集后,我们将获取数据集的数据和标签部分。
- x = iris.data
- y = iris.target
然后,我们将使用 TSNE 类定义模型,这里的 n_components 参数定义了目标维度的数量。'verbose=1' 显示日志数据,因此我们可以检查它。
TSNE( verbose=1)
接下来,我们将在图中可视化结果。我们将在数据框中收集输出组件数据,然后使用“seaborn”库的 scatterplot() 绘制数据。在散点图的调色板中,我们设置 3,因为标签数据中有 3 种类型的类别。
1. df = p.Dtame()
2. df["] = y
3. df["cm"] =z[:,0]
4. df[cop"] = z[,]
5.
6. plot(hue=dfytlst()
7. patte=ns.cor_ptt("hls", 3),
8. dat=df)
MNIST 数据集 TSNE 拟合和可视化
接下来,我们将把同样的方法应用于更大的数据集。MNIST手写数字数据集非常合适,我们可以使用Keras API的MNIST数据。我们只提取数据集的训练部分,因为这里用TSNE来测试数据就足够了。TSNE需要太多的时间来处理,因此,我将只使用3000行。
1.
2. x_train= xtrin[:3000]
3. y_rin = ytrin[:3000]
4. print(x_train.shape)
MNIST 是一个三维数据,我们将其变形为二维数据。
1.
2. print(xtishpe)
3. x_nit = rshap(_rin, [xran.shap[0],xtrn.shap[1]*xrin.shap[2])
4. print(x_mit.shape)
5.
6.
7.
在这里,我们有 784 个特征数据。现在,我们将使用 TSNE 将其投影到二维中,并在图中将其可视化。
1. z = tsne.fit(x_mnist)
2. df["comp1"] = z[:,0]
3. df["comp2"] = z[:,1]
4.
5. plot(huedf.tit(),
6. ata=f)
该图显示了 MNIST 数据的二维可视化。颜色定义了目标数字及其在 2D 空间中的特征数据位置。
在本教程中,我们简要地学习了如何在 Python 中使用 TSNE 拟合和可视化数据。