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。
df = p.Dtame() df\["\] = y df\["cm"\] =z:,0 :,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，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)
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)
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)
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。
