降维算法 t-SNE和UMAP的python实现

from sklearn import manifold

# t-SNE 倾向于保存局部特征，训练较慢
    for i in range(listLength):
        my_value[i] = np.array(my_value[i]).reshape(-1, 64)
        tsne = manifold.TSNE(n_components=2, init='pca', random_state=501)
        X_tsne = tsne.fit_transform(my_value[i])
        x_min, x_max = X_tsne.min(0), X_tsne.max(0)
        X_norm = (X_tsne - x_min) / (x_max - x_min)  # 归一化
        data[i] = X_norm

t-SNE的参数：

n_components：int，可选（默认值：2）嵌入式空间的维度。

init：字符串，可选（默认值：“random”）嵌入的初始化。可能的选项是“随机”和“pca”。 PCA初始化不能用于预先计算的距离，并且通常比随机初始化更全局稳定。

random_state：int或RandomState实例或None（默认）

 

import umap 

# umap 一致的流形逼近和投影以进行降维,类似但优于t-SNE，可用于可视化，但也可用于一般的非线性降维。
    for i in range(listLength):
        my_value[i] = np.array(my_value[i]).reshape(-1, 64)
        reducer = umap.UMAP(random_state=42)  # 使用umap降至二维
        embedding = reducer.transform(my_value[i])
        data[i] = embedding