共计 1836 个字符，预计需要花费 5 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=24002
最近咱们被客户要求撰写对于非线性降维技术的钻研报告，包含一些图形和统计输入。
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 办法可视化数据。在本教程中，咱们将简要理解如何在 Python 中应用 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
咱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，咱们将获取数据集的数据和标签局部。
x = iris.data
y = iris.target而后，咱们将应用 TSNE 类定义模型，这里的 n_components 参数定义了指标维度的数量。’verbose=1′ 显示日志数据，因而咱们能够查看它。
TSNE(verbose=1)接下来，咱们将在图中可视化后果。咱们将在数据框中收集输入组件数据，而后应用“seaborn”库的 scatterplot() 绘制数据。在散点图的调色板中，咱们设置 3，因为标签数据中有 3 种类型的类别。
df = p.Dtame()
df["] = y
df["cm"] =z[:,0]
df[cop"] = z[,]
plot(hue=dfytlst()
patte=ns.cor_ptt("hls", 3),
dat=df)MNIST 数据集 TSNE 拟合和可视化
接下来，咱们将把同样的办法利用于更大的数据集。MNIST 手写数字数据集十分适合，咱们能够应用 Keras API 的 MNIST 数据。咱们只提取数据集的训练局部，因为这里用 TSNE 来测试数据就足够了。TSNE 须要太多的工夫来解决，因而，我将只应用 3000 行。
点击题目查阅往期内容
R 语言高维数据的主成分 pca、t-SNE 算法降维与可视化剖析案例报告
左右滑动查看更多
01
02
03
04
x_train= xtrin[:3000]
y_rin = ytrin[:3000]
print(x_train.shape)MNIST 是一个三维数据，咱们将其变形为二维数据。
print(xtishpe)
x_nit = rshap(_rin, [xran.shap[0],xtrn.shap[1]*xrin.shap[2])
print(x_mit.shape)在这里，咱们有 784 个特色数据。当初，咱们将应用 TSNE 将其投影到二维中，并在图中将其可视化。
z = tsne.fit(x_mnist)
df["comp1"] = z[:,0]
df["comp2"] = z[:,1]
plot(huedf.tit(),
ata=f)该图显示了 MNIST 数据的二维可视化。色彩定义了指标数字及其在 2D 空间中的特色数据地位。
在本教程中，咱们简要地学习了如何在 Python 中应用 TSNE 拟合和可视化数据。
点击文末 “浏览原文”
获取全文残缺代码数据资料。
本文选自《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》。
点击题目查阅往期内容
Python 用稠密、高斯随机投影和主成分剖析 PCA 对 MNIST 手写数字数据进行降维可视化
R 语言 k -means 聚类、档次聚类、主成分（PCA）降维及可视化剖析鸢尾花 iris 数据集 R 语言 PCA(主成分剖析)，CA(对应剖析)夫妻职业差别和马赛克图可视化
R 语言主成分剖析（PCA）葡萄酒可视化：主成分得分散点图和载荷图
R 语言用主成分 PCA、逻辑回归、决策树、随机森林剖析心脏病数据并高维可视化
R 语言用温度对城市档次聚类、kmean 聚类、主成分剖析和 Voronoi 图可视化
主成分剖析 (PCA) 原理及 R 语言实现及剖析实例
R 语言法国足球联赛球员因子分析、主成分剖析（FA，PCA）
偏最小二乘回归（PLSR）和主成分回归（PCR）
R 语言高维数据的主成分 pca、t-SNE 算法降维与可视化剖析案例报告
R 语言有 RStan 的多维验证性因子分析（CFA）
R 语言对混合散布中的不可观测与可观测异质性因子分析
R 语言法国足球联赛球员多重对应剖析（MCA）