统计学补充概念12-mds

丰。。

已于 2023-08-27 11:36:35 修改

阅读量189

点赞数

分类专栏：统计学补充概念统计学文章标签：支持向量机算法机器学习 kmeans 神经网络

于 2023-08-22 11:05:21 首次发布

本文链接：https://blog.csdn.net/CSDNXXCQ/article/details/132423752

版权

统计学同时被 2 个专栏收录

31 篇文章 0 订阅

订阅专栏

统计学补充概念

19 篇文章 0 订阅

订阅专栏

本文介绍了多维缩放(MDS)作为一种经典降维技术，其目标是保持数据点间距离关系。文中详细讲解了度量MDS和非度量MDS的区别，并提供了使用sklearn库在Python中实现MDS并可视化鸢尾花数据集的例子。

摘要由CSDN通过智能技术生成

概念

多维缩放（Multi-Dimensional Scaling，MDS）是一种经典的降维技术，用于将高维数据降维到低维空间中，同时尽量保留数据点之间的距离关系。与t-SNE类似，MDS也可以用于可视化高维数据在低维空间中的分布，但它更倾向于保留全局的距离关系。

MDS的核心思想是，尽可能在降维后的低维空间中重构原始数据点之间的距离或相似度。这可以通过找到一个在低维空间中的表示，使得在原始高维空间中的距离与在低维空间中的距离尽可能一致。

种类

度量MDS：度量MDS试图保留数据点之间的欧氏距离或其他度量距离。它通过在低维空间中优化数据点之间的距离来实现。

非度量MDS：非度量MDS不要求精确地重建原始数据点之间的距离，而是在低维空间中找到一个表示，使得在低维空间中的排序或秩次与原始数据点之间的排序关系相似。

代码实现

import numpy as np
from sklearn.manifold import MDS
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

# 创建MDS模型并降维
mds = MDS(n_components=2, random_state=42)
X_mds = mds.fit_transform(X)

# 可视化降维结果
plt.scatter(X_mds[:, 0], X_mds[:, 1])
plt.xlabel('MDS Dimension 1')
plt.ylabel('MDS Dimension 2')
plt.title('MDS Visualization')
plt.show()