企业营销型网站建设规划,男人网址你懂我意思正能量,建设一个网站需要学习什么,出口跨境电商平台概念
t-SNE#xff08;t-distributed Stochastic Neighbor Embedding#xff09;是一种非线性降维技术#xff0c;用于可视化高维数据在低维空间中的分布。与主成分分析#xff08;PCA#xff09;等线性降维方法不同#xff0c;t-SNE专注于保留数据点之间的局部相似性关…概念
t-SNEt-distributed Stochastic Neighbor Embedding是一种非线性降维技术用于可视化高维数据在低维空间中的分布。与主成分分析PCA等线性降维方法不同t-SNE专注于保留数据点之间的局部相似性关系使得在降维后的空间中相似的数据点更加靠近而不一定考虑全局结构。
t-SNE的核心思想是在高维空间中使用概率分布来表示数据点之间的关系然后在低维空间中构建一个类似的概率分布使得两个空间中的分布尽可能相似。这样t-SNE试图在低维空间中保留数据点之间的相似性关系。
代码实现
import numpy as np
from sklearn.manifold import TSNE
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt# 加载鸢尾花数据集
data load_iris()
X data.data
y data.target# 创建t-SNE模型并降维
tsne TSNE(n_components2, perplexity30, random_state42)
X_tsne tsne.fit_transform(X)# 可视化降维结果
plt.scatter(X_tsne[:, 0], X_tsne[:, 1], cy, cmapviridis)
plt.xlabel(t-SNE Dimension 1)
plt.ylabel(t-SNE Dimension 2)
plt.title(t-SNE Visualization)
plt.colorbar()
plt.show()
