sklearn PCA降维分析&t-SNE表示

最新推荐文章于 2024-06-23 13:51:16 发布
最新推荐文章于 2024-06-23 13:51:16 发布
阅读量2.2k 收藏 2
点赞数 2
分类专栏： python 文章标签： PCA t-SNE sklearn
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/SPESEG/article/details/103924153
版权

采用sklearn 自带的8*8的0~9数据进行实验测试。

经过试验测试，发现前面15个奇异值已经足够可以代表整个64维度的特征。

[567.0065665  542.25185421 504.63059421 426.11767607 353.33503235
 325.82036394 305.2615743  281.16032764 269.06977678 257.82394749
 226.31876461 221.5131726  198.32643774 195.69042567 177.97382911]

[0.14890594 0.13618771 0.11794594 0.08409979 0.05782415 0.0491691
 0.04315987 0.03661372 0.03353248 0.03078806 0.0237234  0.02272663
 0.01821785 0.01773679 0.01467061]

0.8353020343709757

已经达到83%，可以了。

下面将此结果用t-SNE展示效果，其实这个流形也有降维的功能，但前提是特征表示一定要好，不然也是白费。

0.8750658820268782

了解本专栏 订阅专栏 解锁全文 超级会员免费看
小李飞刀李寻欢
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
生信识图之 点图进阶-4 （PCA下篇）
m0_72870362的博客
10-02 2912
大Y老师小灶课堂之生信识图
PCA图 (主成分 biplot & 三维图) 绘制与解释 | python
用途：中英文学习笔记，如有侵权，可评论留言，及时清理；学历：NUS计算机硕士；SYSU地球物理学士
04-05 2万+
问题：如何绘制二维的主成分图，以及如何解释？ Code: import matplotlib.pyplot as plt import numpy as np def biplot(reduced_data, labels, pc, variable): """plot compositional biplot for two principle components :param reduced_data: data processed by PCA :param la
数据维度的魔法师：使用scikit-learn进行t-SNE可视化
最新发布
2401_85761003的博客
06-23 840
t-SNE是一种非线性的降维方法，它通过保持数据点间的相对距离来捕捉高维空间中的局部结构。与传统的线性降维方法（如PCA）相比，t-SNE在处理非线性结构时更为有效。t-SNE作为一种强大的数据可视化工具，能够帮助我们理解高维数据的结构和模式。通过本文的学习，读者应该能够掌握在scikit-learn中使用t-SNE进行数据可视化的基本步骤和技巧。希望本文能够帮助读者在实际工作中更好地利用t-SNE探索和分析数据。
主成分分析（PCA）
梁小憨憨的博客
08-01 1455
最近看共空间分析（CSP）算法，用到了PCA，就在这里整理一下
主成分分析（PCA）及其可视化——matlab
PY洋洋
11-15 2万+
X= csvread('文件路径',1,0); %读取数据文件，第一行不读取 T = readtable('文件路径')；%读取文件中的所有数据 举例： data = [1,-0.2,0.3,0.8,-0.5 -0.2,1,0.6,-0.7,0.2 0.3,0.6,1,0.5,-0.3 0.8,-0.7,0.5,1,0.7 -0.5,0.2,-0.3,0.7,1] 运行结果： mapping.mean = mean(data, 1) %..
pca绘图
ziixiaoshenwang的博客
09-18 1036
PCA绘图
基于t-sne算法的降维可视化实例.zip
07-25
t-SNE的关键在于使用了t分布来模拟高维空间中的相似度，这是它区别于其他降维方法如PCA（主成分分析）的地方，因为t-SNE能更好地处理非线性关系。 在"新建文本文档.txt"中，可能包含了关于t-SNE算法的理论介绍，...
美赛各题型常见参考代码：基于t-sne算法的降维可视化实例.zip
08-05
- 实例中，数据预处理可能包括标准化、缺失值处理等步骤，然后使用sklearn库的t-SNE函数进行降维，最后用可视化库展示二维或三维的结果。 6. **注意事项**： - t-SNE的优化过程可能需要较长的时间，尤其是对于...
算法源码-数据处理：基于t-sne算法的降维可视化实例.zip
06-06
t-SNE算法由Laurens van der Maaten和Geoffrey Hinton在2008年提出，主要用于解决主成分分析（PCA）等线性降维方法无法捕获非线性关系的问题。它基于概率分布，将高维空间中的点转换为低维空间中的点，使得高维空间...
pca降维,pca降维
11-29
在压缩包文件`dimensionality_reduction_alo_codes-master`中，很可能包含了PCA降维的示例代码和其他降维方法（如LDA、t-SNE等）的实现，你可以通过阅读这些代码进一步理解和掌握PCA以及其他降维技术的应用。...
【归纳总结】如何为数据样本绘制PCA图及其置信椭圆? 附Python代码
坊间小木匠的博客
10-21 2734
在机器学习特征可视化过程中，经常将数据样本通过PCA降维进行展示，并绘制其置信椭圆描述分布特点。本文通过随机生成三类数据样本进行PCA降维分析，并计算每个类别的协方差矩阵和椭圆参数，最后绘制样本分布和置信椭圆，附Python代码。
qks1lver/pca_plot:更好的 PCA 可视化-matlab开发
05-29
快速为您的 PCA 结果绘制更好的图！ 标记您的数据点，以便您可以更轻松地查看它们并进行比较！ 试试这个： 数据 = randint（30,20）； [coeff,~,~,~,explained] = pca(data); h = pca_plot(coeff,explained,num2cell(1:20),[],'.');
绘制 PCA 双标图、碎石图、变量载荷图和变量贡献图
知识搬运者
08-16 2578
绘图效果来自nature communications的一篇论文。
t-SNE实践——sklearn教程
星之所望的博客
01-31 2038
声明： 参考sklearn官方文档 t-SNE t-SNE是一种集降维与可视化于一体的技术，它是基于SNE可视化的改进，解决了SNE在可视化后样本分布拥挤、边界不明显的特点，是目前最好的降维可视化手段。 关于t-SNE的历史和原理详见从SNE到t-SNE再到LargeVis。 代码见下面例一 TSNE的参数 函数参数表： parameters 描述 n_components 嵌入空间的维度 perpexity 混乱度，表示t-SNE优化过程中考虑邻近点的多少，默认为
GWAS（3）——曼哈顿图和QQ图，PCA plot
小八四爱吃甜食的博客
03-08 4427
目录曼哈顿图GAPIT作图GEMMA分析rMVP代码QQ图rMVPqqmanPCA plot 曼哈顿图 GAPIT作图 ###GAPIT 网站：http://www.zzlab.net/GAPIT/ ###源码：http://www.zzlab.net/GAPIT/gapit_functions.txt ###R代码 ###加载包 library(multtest) library(gplots) library(LDheatmap) library(genetics) library(ape)
【Python数据挖掘课程】七.PCA降维操作及subplot子图绘制
杨秀璋的专栏
11-26 2万+
这篇文章主要介绍四个知识点，也是我那节课讲课的内容。 1.PCA降维操作； 2.Python中Sklearn的PCA扩展包； 3.Matplotlib的subplot函数绘制子图； 4.通过Kmeans对糖尿病数据集进行聚类，并绘制子图。 前文推荐，希望这篇文章对你有所帮助，尤其是我的学生和学习数据挖掘、机器学习、大数据的博友。
R统计绘图-PCA分析绘图及结果解读(误差线，多边形，双Y轴图、球形检验、KMO和变量筛选等)
qq_39859424的博客
12-14 3961
虽然PCA和RDA分析及绘图都写过教程，但是对于结果的解释都没有写的很详细，刚好最近有人询问怎样使用FactoMineR factoextra包进行PCA分析。所以使用R统计绘图-环境因子相关性热图中的不同土壤环境因子数据进行PCA绘图和结果解读推文。 一、 数据准备 # 1.1 设置工作路径 #knitr::opts_knit$set(root.dir="D:\\EnvStat\\PCA")# 使用Rmarkdown进行程序运行 Sys.setlocale('LC_ALL','C') # Rmark
主成分分析（PCA）一次讲个够
热门推荐
黄飞的博客专栏
11-29 5万+
PCA 简介多元统计分析中普遍存在的困难中，有一个困难是多元数据的可视化。matlab 中的 plot 可以显示两个变量之间的关系，plot3 和surf 可以显示三维的不同。但是当有多于3个变量时，要可视化变量之间的关系就很困难了。幸运的是，在一组多变量的数据中，很多变量常常是一起变动的。一个原因是很多变量是同一个驱动影响的的结果。在很多系统中，只有少数几个这样的驱动，但是多余的仪器使我们测量了很
PCA
yingchundexiaoxiong的博客
04-06 1016
目录 主成分分析原理: PCA的算法推导 PCA的算法步骤： sklearn 主成分分析原理: 是把原来多个变量化为少数几个综合指标的一种统计分析方法，从数学角度来看，这是一种降维处理技术。 • 主成分分析（Principal Component Analysis，PCA），将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。 • 主成分分析是设法将原...
python绘制3维图-t-SNE的原理及Python实现
06-03
t-SNE是一种非线性降维技术，可以将高维数据映射到低维...最后，使用matplotlib库中的scatter函数可视化结果，其中X_tsne[:, 0]和X_tsne[:, 1]分别表示t-SNE算法降维后的两个维度，c=y表示按照原始标签y进行颜色编码。
评论
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

打赏作者

小李飞刀李寻欢

您的欣赏将是我奋斗路上的动力！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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