拓端tecdat|Python用T-SNE非线性降维技术拟合和可视化高维数据iris鸢尾花、MNIST 数据

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：

1. 鸢尾花数据集TSNE拟合与可视化
2. 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。

1.   
2.  import seaborn as sns
3.  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。 

1.  x = iris.data
2.  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。