Python用T

2024-04-17 180 发布于吉林

版权

举报

版权声明：

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

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：

我们将从加载所需的库和函数开始。

import seaborn as sns import pandas as pd

AI 代码解读

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

AI 代码解读

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)

AI 代码解读

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。

df = p.Dtame() df["] = y df["cm"] =z:,0 :,0 df[cop"] = z, , plot(hue=dfytlst() patte=ns.cor_ptt("hls", 3), dat=df)

AI 代码解读

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。

01

02

03

04

x_train= xtrin[:3000] y_rin = ytrin[:3000] print(x_train.shape)

AI 代码解读

MNIST 是一个三维数据，我们将其变形为二维数据。

print(xtishpe) x_nit = rshap(_rin, [xran.shap0 0,xtrn.shap[1]*xrin.shap[2]) print(x_mit.shape)

AI 代码解读

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。

z = tsne.fit(x_mnist) df["comp1"] = z[:,0] df["comp2"] = z[:,1] plot(huedf.tit(), ata=f)

AI 代码解读

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。

相关知识

Python用T
用python绘制满天星动态,用python画满天星花朵
用Python绘制玫瑰花
用python画立体玫瑰花
python用turtle画玫瑰花
用python turtle绘制一朵玫瑰花
写一段用python画99朵玫瑰花代码
情人节 我用Python表白
教你用Python浪漫表白
Python编程庆祝三八节：用代码致敬女性力量

网址: Python用T https://www.huajiangbk.com/newsview2290105.html