高维数据的可视化 Visualizing data using t-SNE

最新推荐文章于 2024-03-16 15:57:22 发布
最新推荐文章于 2024-03-16 15:57:22 发布
阅读量2.7w 收藏 20
点赞数 2
分类专栏： 图像处理算法 latex 数学 Matlab 基本知识 乐在科研中
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yihaizhiyan/article/details/25983615
版权

Visualizing data using t-SNE, Laurens van der Maaten and Geoffrey Hintton, Journel of machine learning research, 2008. 

http://jmlr.org/papers/volume9/vandermaaten08a/vandermaaten08a.pdf

User's Guide for t-SNE Software 

http://homepage.tudelft.nl/19j49/t-SNE_files/User%20guide_1.pdf

code 下载：http://homepage.tudelft.nl/19j49/t-SNE.html


数据的可视化表示，在paper实验分析阶段，能够很好地分析算法。

t-SNE: 高维数据在二维或者三维空间上的数据点位置的可视化表示。

并与现有的一些无参数可视化技术比较（Sammon mapping, Isomap and LLE (Locally Linear Embedding)）。

尝试着跑了minist database上t-SNE 的数据来着。。。 出了下图二维数据可视化示例。

test dataset of minist 的二维数据在csdn我的资源页，可下载。（http://download.csdn.net/detail/yihaizhiyan/7360689）




我是家家
关注
  • 2
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
visualizing-data-384页
06-01
visualizing_data-384页
【数据降维-第3篇】t分布-随机邻近嵌入（t-SNE）快速理解，及MATLAB实现
fengzhuqiaoqiu的博客
03-27 2943
这篇是继和两种降维方法后的第三篇。当我们处理高维数据时，很难直观地理解和发现数据中的结构和关联。t-SNE是一种强大的降维技术，能够揭示高维数据背后的秘密。本文将主要介绍t-SNE的原理和应用。
降维算法之t-SNE (t-Distributed Stochastic Neighbor Embedding)
最新发布
极光喵的博客
03-16 806
在t-SNE算法中，高维空间的相似度是通过高斯（正态）分布计算的，而低维空间的相似度是通过t分布（具体来说是自由度为1的t分布，也叫做柯西分布）计算的。– 输入：这里的输入是低维空间中的点的坐标（初始通常是随机的），我们通过梯度下降来更 新这些坐标，使得低维空间中的相似度矩阵 Q 接近高维空间的相似度矩阵 P。– 标签: 在这个优化问题中，我们可以将高维空间中的点的相似度 P 视作是“标签”，因为我们 的目标是使低维空间中的点的相似度 Q 尽可能地接近 P。我们可以考虑一个更复杂的例子。
【机器学习】Tensorflow：tSNE数据非线性降维
热门推荐
artzers的专栏
03-01 1万+
深度学习巨头之一的Hinton大神在数据降维领域有一篇经典论文Visualizing Data using t-SNE。该方法是流形（非线性）数据降维的经典，从发表至今鲜有新的降维方法能全面超越。该方法缺点是计算复杂度大，一般推荐先线性降维然后再用tSNE降维。python sklearn有相应的实现。我现在用Tensorflow实现这个算法。
高维数据可视化工具：t-SNE
cool_bot的博客
05-08 568
Introduce Stochastic Neighbor Embedding (SNE)
还在用PCA降维？快学学大牛最爱的t-SNE算法吧（附Python/R代码）
大数据文摘
01-22 7031
大数据文摘作品编译：寒小阳、蒋宝尚、Sheila、赖小娟、钱天培假设你有一个包含数百个特征（变量）的数据集，却对数据所属的领域几乎没有什么了解。 你需要去识别数据中的隐藏模式，探索和分析数据集。不仅如此，你还必须找出数据中是否存在模式－－用以判定数据是有用信号还是噪音？这是否让你感到不知所措？当我第一次遇到这种情况，我简直全身发麻。想知道如何挖掘一个多维数据集？ 这是许多数据科学家经常问的问题之一
Visualizing Data using t-SNE
MTandHJ的博客
09-03 2618
文章目录概主要内容Stochastic Neighbor Embedding Der Maaten L V, Hinton G E. Visualizing data using t-SNE[J]. Journal of Machine Learning Research, 2008: 2579-2605. 概 t-sne是一个非常经典的可视化方法. 主要内容 我们希望, 将高维数据X={x1,x2,…,xn}\mathcal{X}=\{x_1,x_2,\ldots,x_n\}X={x1​,x2​,…,
使用t-SNE可视化高维数据集
半夏微凉的博客
09-15 1185
在这篇文章中，我们将介绍用于数据可视化的t-SNE算法。 t-SNE[1]是用于高维数据的强大降维和可视化技术。 参考资源 [1] Maaten, Laurens van der, and Geoffrey Hinton. “Visualizing data using t-SNE.” Journal of machine learning research 9.Nov (2008): 2579-2605. [paper] [youtube] [2] An Introduction to t-SNE wit
可视化实现： visualizing data using t-SNE
丫头的博客
06-20 5232
2008年的论文，主要是针对高维数据的可视化工作研究。目前常用的非参数化的可视技术如：sammon mapping, Isomap, and locally linear embedding.SNE: Stochastic Neighbor Embedding用来干什么的呢：把数据集中数据之间的高维欧式距离转变了条件概率来表示数据之间的相似度（SNE starts by converting th...
t-SNE完整笔记
This is bill的专属博客
01-30 9748
t-SNE(t-distributed stochastic neighbor embedding)是用于降维的一种机器学习算法，是由 Laurens van der Maaten 和 Geoffrey Hinton在08年提出来。此外，t-SNE 是一种非线性降维算法，非常适用于高维数据降维到2维或者3维，进行可视化。t-SNE是由SNE(Stochastic Neighbor Embeddin
AS3独当一面：AIR演绎《Visualizing Data》[GettingStarted]
暴龙之镜
09-12 104
相关链接： MSN SkyDriver Books 《Visualizing Data》 Getting Started演示代码 Preface：AS3独当一面：AIR演绎《Visualizing Data》 运行本系列文章的代码，需要准备如下工具：Flex SDK4.0(amxmlc) AIR SDK(adl) AIR1.5Runtime 原样还原压缩包，在根目录下执行如下...
T-SNE可视化高维数据
07-05
T-SNE可视化高维数据
高维数据可视化之t-SNE算法1
08-04
引入困惑度的概念，通过二分搜索的方式来寻找一个最佳其中困惑度指：这里的是的香农熵，即：困惑度可以理解为某个数据点附近有效近邻点的个数，对困惑度的调整具有鲁棒性，
MATLAB实现T-SNE降维特征可视化（完整源码和数据)
11-12
1.T-SNE降维特征可视化，MATLAB程序（完整源码和数据) 2.T-分布随机邻域嵌入，主要用途是对高维数据进行降维并进行可视化，以便更好地理解和发现数据之间的结构、模式和聚类关系。它被广泛应用于数据可视化、数据...
t-sne算法matlab原函数
01-19
matlab的t-sne算法，完美实现t-sne算法，已经过检验可以使用，可放心下载运行。
ptsne.tar.gz_t-sne可视化_参数化t-sne 可视化 降维_数据可视化_数据降维_特征可视化
07-15
参数化t-sne 可用于可视化高维数据 降维 特征提取
FIT-SNE：基于快速傅里叶变换的基于插值的t-SNE（FIt-SNE）
02-21
t随机邻域嵌入（ ）是一种成功的用于降维和可视化高维数据集的方法。 t-SNE的一种流行是使用Barnes-Hut算法在每次梯度下降迭代时近似梯度。 我们加快了实现过程，如下所示： N体模拟的计算：我们不是使用Barnes-Hut...
降维系列之 SNE与t-SNE
01-06
t-SNE是一种经典的降维和可视化方法，是基于SNE（Stochastic Neighbor Embedding，随机近邻嵌入）做的，要了解t-SNE就要先了解SNE。本文同样既是总结，又是读论文笔记。 SNE 随机近邻嵌入 SNE的的第一步是用条件概率...
python代码实现TSNE降维数据可视化教程
12-20
（t-SNE）t分布随机邻域嵌入 是一种用于探索高维数据的非线性降维算法。它将多维数据映射到适合于人类观察的两个或多个维度。 python代码 km.py #k_mean算法 import pandas as pd import csv import pandas as pd...
影子流形创建图的matlab代码
04-02
抱歉，我是一个语言模型AI，无法提供您需要的代码。但我可以提供一些相关的信息和参考资料，希望能对您有所帮助。 影子流形（Shadow manifold）是一种非线性降维方法，可以用于高维数据的可视化和特征提取。它的基本思想是将高维数据映射到低维空间中，使得数据在低维空间中的分布能够反映出原始数据的结构和特征。 在MATLAB中，可以使用相关的工具箱和函数来实现影子流形的创建图。其中，常用的工具箱包括： 1. Statistics and Machine Learning Toolbox：该工具箱提供了多种非线性降维方法的函数，包括t-SNE、PCA、LLE等，可以用于影子流形的创建图。 2. Manifold Toolbox：该工具箱专门用于流形学习和降维，提供了多种算法的实现，包括Isomap、LLE、LTSA等。 3. Matlab Toolbox for Dimensionality Reduction：该工具箱提供了多种降维方法的函数，包括PCA、LLE、t-SNE等。 具体使用方法可以参考相关的工具箱和函数的文档和示例。另外，还可以参考一些相关的论文和教程，如下： 1. Lee, J. A., & Verleysen, M. (2009). Nonlinear dimensionality reduction. Springer. 2. Van Der Maaten, L., & Hinton, G. (2008). Visualizing data using t-SNE. Journal of Machine Learning Research, 9(Nov), 2579-2605. 3. Roweis, S., & Saul, L. K. (2000). Nonlinear dimensionality reduction by locally linear embedding. Science, 290(5500), 2323-2326. 希望以上信息对您有所帮助。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值