利用 t-SNE 高维数据的可视化

简介: 利用 t-SNE 高维数据的可视化      具体软件和教程见: http://lvdmaaten.github.io/tsne/     简要介绍下用法:      % Load data  load ’mnist_train.

 

利用 t-SNE 高维数据的可视化 

 

  具体软件和教程见: http://lvdmaaten.github.io/tsne/

    简要介绍下用法:

  

  % Load data
  load ’mnist_train.mat’
  ind = randperm(size(train_X, 1));
  train_X = train_X(ind(1:5000),:);
  train_labels = train_labels(ind(1:5000));
  % Set parameters
  no_dims = 2;
  initial_dims = 50;
  perplexity = 30;


  % Run t􀀀SNE
  mappedX = tsne(train_X, [], no_dims, initial_dims, perplexity);
  % Plot results
  gscatter(mappedX(:,1), mappedX(:,2), train_labels);

 


  示意结果截图:  

 

 

相关文章
|
2月前
|
机器学习/深度学习 数据可视化 算法
【视频】主成分分析PCA降维方法和R语言分析葡萄酒可视化实例|数据分享
【视频】主成分分析PCA降维方法和R语言分析葡萄酒可视化实例|数据分享
|
2月前
|
机器学习/深度学习 数据可视化 算法
数据分享|R语言用主成分PCA、 逻辑回归、决策树、随机森林分析心脏病数据并高维可视化
数据分享|R语言用主成分PCA、 逻辑回归、决策树、随机森林分析心脏病数据并高维可视化
数据分享|R语言用主成分PCA、 逻辑回归、决策树、随机森林分析心脏病数据并高维可视化
|
2月前
|
机器学习/深度学习 数据可视化 算法
R语言高维数据的主成分pca、 t-SNE算法降维与可视化分析案例报告
R语言高维数据的主成分pca、 t-SNE算法降维与可视化分析案例报告
|
2月前
|
机器学习/深度学习 算法 数据可视化
维度降维与特征选择:scikit-learn的实用技巧
【4月更文挑战第17天】本文介绍了机器学习中scikit-learn库的维度降维和特征选择技巧。维度降维包括PCA(线性降维)和t-SNE(非线性降维),用于处理高维数据。特征选择则涵盖过滤法(如方差阈值)、包装法(如RFE)和嵌入法(如基于信息增益的树模型)。实践时需注意数据理解、交叉验证、结合业务背景以及避免数据泄露。这些方法能提升模型性能和可解释性。
|
2月前
|
机器学习/深度学习 数据采集 数据可视化
R语言实现拟合神经网络预测和结果可视化
R语言实现拟合神经网络预测和结果可视化
|
2月前
|
机器学习/深度学习 数据可视化 算法
R语言拟合改进的稀疏广义加性模型(RGAM)预测、交叉验证、可视化
R语言拟合改进的稀疏广义加性模型(RGAM)预测、交叉验证、可视化
|
2月前
|
数据可视化 数据挖掘 TensorFlow
Python贝叶斯高斯混合模型GMM聚类分析数据和混合密度可视化
Python贝叶斯高斯混合模型GMM聚类分析数据和混合密度可视化
|
2月前
|
机器学习/深度学习 数据可视化 Python
R语言神经网络模型预测多元时间序列数据可视化
R语言神经网络模型预测多元时间序列数据可视化
|
2月前
|
机器学习/深度学习 数据采集 数据可视化
R语言可视化探索BRFSS数据并逻辑回归Logistic回归预测中风
R语言可视化探索BRFSS数据并逻辑回归Logistic回归预测中风
|
2月前
|
机器学习/深度学习 数据可视化 算法
R语言用主成分PCA、 逻辑回归、决策树、随机森林分析心脏病数据并高维可视化
R语言用主成分PCA、 逻辑回归、决策树、随机森林分析心脏病数据并高维可视化