t-SNE

介绍：t-SNE是一种高维数据可视化的一种算法，将高维数据嵌入到二维或三维空间中。
流形学习：假设数据是均匀采样于一个高维欧式空间的低维流形，流形学习就是在高维采样数据中恢复低维流形结构。即找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数的简约或可视化。它是从观测到的现象中寻找事物的本质，找到产生数据的内在规律。
假设：尽管现实世界中的很多数据是嵌入在高维空间的，但是都具有很低的内在维度。也就是说高维数据经过降维后，在低维状态下能够显示其本质特性。
t-SNE使用教程

import numpy as np
import sklearn
from sklearn.manifold import TSNE
from sklearn.datasets import load_digits

# Random state.
RS = 20150101

import matplotlib.pyplot as plt
import matplotlib.patheffects as PathEffects
import matplotlib

# We import seaborn to make nice plots.
import seaborn as sns
sns.set_style('darkgrid')
sns.set_palette('muted')
sns.set_context("notebook", font_scale=1.5,
                rc={"lines.linewidth": 2.5})
digits = load_digits()
# We first reorder the data points according to the handwritten numbers.
X = np.vstack([digits.data[digits.target==i]
               for i in range(10)])
y = np.hstack([digits.target[digits.target==i]
               for i in range(10)])
digits_proj = TSNE(random_state=RS).fit_transform(X)

def scatter(x, colors):
    # We choose a color palette with seaborn.
    palette = np.array(sns.color_palette("hls", 10))

    # We create a scatter plot.
    f = plt.figure(figsize=(8, 8))
    ax = plt.subplot(aspect='equal')
    sc = ax.scatter(x[:,0], x[:,1], lw=0, s=40,
                    c=palette[colors.astype(np.int)])
    plt.xlim(-25, 25)
    plt.ylim(-25, 25)
    ax.axis('off')
    ax.axis('tight')

    # We add the labels for each digit.
    txts = []
    for i in range(10):
        # Position of each label.
        xtext, ytext = np.median(x[colors == i, :], axis=0)
        txt = ax.text(xtext, ytext, str(i), fontsize=24)
        txt.set_path_effects([
            PathEffects.Stroke(linewidth=5, foreground="w"),
            PathEffects.Normal()])
        txts.append(txt)

    return f, ax, sc, txts

scatter(digits_proj, y)
plt.savefig('digits_tsne-generated.png', dpi=120)
plt.show()

效果：

seaborn 是一种基于matplotlib图形可视化python包，提供了一种高度交互的界面，便于用户做出各种有吸引力的图表。