特征工程:特征提取和降维-下

Cosophia

于 2024-02-08 00:33:34 发布

阅读量896

点赞数 29

分类专栏：数据探索与可视化机器学习文章标签：人工智能数据分析 python 算法

本文链接：https://blog.youkuaiyun.com/Cosophia/article/details/136075368

版权

数据探索与可视化同时被 2 个专栏收录

17 篇文章 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

机器学习

14 篇文章

订阅专栏

本文介绍了流形学习、t-SNE和多维尺度分析在数据降维中的应用，通过实例展示了如何使用这些方法将高维数据降维并可视化，以帮助理解和分类数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、前言

通过上篇对线性与非线性的数据的特征提取和降维的学习之后，我们来介绍其他方法，分别有流行学习、多维尺度分析、t-SNE。

二、正文

Ⅰ. 流形学习

流形学习是借鉴拓扑流形的概念的一种降维的方法。用于数据降维，降到二维或者三维时可以对数据进行可视化。因为流形学习利用近邻的距离来计算高维空间的样本距离，所以近邻个数对其降维的结果影响甚大。

from sklearn.manifold import Isomap,MDS,TSNE
isomap=Isomap(n_neighbors=7,n_components=3)
isomap_wine_x=isomap.fit_transform(wine_x)
colors=['red','blue

了解本专栏