t-SNE 多类数据降维的小技巧

最新推荐文章于 2025-05-17 09:32:27 发布

老光头_ME2CS

最新推荐文章于 2025-05-17 09:32:27 发布

阅读量2.3k

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习 Python 文章标签：机器学习

本文链接：https://blog.youkuaiyun.com/Forrest97/article/details/108337309

本文探讨了在使用t-SNE进行多类数据降维时的一个常见问题。通常，有两种方法：一类标签数据分别降维后再合并，或者所有数据一起降维。实践表明，第二种方法能确保数据在统一空间中降维，从而得到更准确的可视化结果。对于机器学习中的数据处理，选择正确的降维策略至关重要。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在用t-SNE聚类算法时，发现一个小问题，值得注意。

问题

在对有标签的数据进行分类时，网上一些参考案例的算法如下，即每一类标签先经过t-SNE算法降维，最后再统一画到一个散点图上。

ts = TSNE(n_components=2, init = 'pca', random_state = 0)

features2 = np.zeros((sample_num*4, feature_len))

for ii, dataset in enumerate (datasets):

    frame_list = get_data(

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

老光头_ME2CS

关注关注

0
点赞
踩
7

收藏

觉得还不错? 一键收藏
8
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

数据处理和分析之数据降维：t-SNE：数据可视化基础

2401_87715305的博客

10-22

801

降维是数据科学中一种常见的技术，用于减少数据集的特征数量，同时尽可能保留数据的结构和信息。在高维空间中，数据点之间的距离可能变得不直观，这被称为“维数灾难”。降维可以帮助我们克服这一问题，使数据更容易理解和可视化。

python代码实现TSNE降维数据可视化教程

12-20

TSNE降维降维就是用2维或3维表示多维数据（彼此具有相关性的多个特征数据）的技术，利用降维算法，可以显式地表现数据。（t-SNE）t分布随机邻域嵌入是一种用于探索高维数据的非线性降维算法。它将多维数据映射到适合于人类观察的两个或多个维度。 python代码 km.py #k_mean算法 import pandas as pd import csv import pandas as pd import numpy as np #参数初始化 inputfile = 'x.xlsx' #销量及其他属性数据 outputfile = 'x_1.xlsx' #保存结果的文件名 k = 2

8 条评论您还未登录，请先登录后发表或查看评论

python代码实现TSNE降维数据可视化

最新发布

wwl412095144的博客

05-17

1108

t-SNE（t-distributed Stochastic Neighbor Embedding）是一种非线性降维技术，由Laurens van der Maaten和Geoffrey Hinton于2008年提出，主要用于高维数据的可视化和聚类分析。

tSNE降维样例代码

wujing1_1的博客

03-11

505

tSNE降维样例代码。

python实现TSNE检验 TSNE降维代码

刘文凯的博客

09-18

3570

一般而言TSNE就是一种数据可视化的工具，能够将高维数据降到2-3维（降维），然后画成图。现在也有蛮多可以直接使用的套件，如sklearn.manifold（具体可看：Sklearn TSNE官网）。图片来源：https://blog.youkuaiyun.com/qq_45714906/article/details/118568358。fit_transform(x_train)，要降维的数据。n_components=2, 降至的维数（一般为2）random_state=501，随机种子。

【建议收藏】好用的降维算法——t-SNE，带python实例讲解

CDA数据分析师

05-29

952

我们希望这两个地图结构相似。我们使用库尔巴克-利布勒发散（KL）测量二维空间的概率分布之间的差异。可以有效地比较和值。最后，我们使用梯度下降来最小化我们的KL损失函数。

掌握t-sne算法：降维与数据可视化实战教程

标题中提到的“基于t-sne算法的降维可视化实例.zip”，表明本文档集中讲解了t-sne算法在降维可视化方面的...通过这样的过程，可以更深刻地理解t-sne算法在数据降维可视化中的应用，从而在实际数据处理中更加得心应手。

t-SNE：可视化效果最好的降维算法

LuoMin2523的博客

07-15

1390

PCA-主成分分析是降维领域最主要的算法。它最初是由皮尔逊（Pearson）在1901年开发的，许多人对此做了即兴创作。即使PCA是一种广泛使用的技术，但它的主要缺点是无法维护数据集的局部结构。为了解决这个问题，t-SNE出现了。 1、什么是t-SNE？ t-SNE的主要用途是可视化和探索高维数据。它由Laurens van der Maatens和Geoffrey Hinton在JMLR第九卷(2008年)中开发并出版。 t-SNE的主要目标是将多维数据集转换为低维数据集。相对于其他的降维算法，.

t-SNE（t-distributed Stochastic Neighbor Embedding，t分布随机邻居嵌入）非线性降维

Rhett_Butler0922的博客

04-26

582

t-SNE 是一种强大的非线性降维工具，特别适合高维数据的可视化。其核心是通过最小化 KL 散度，将高维空间的局部相似性映射到低维空间。尽管计算复杂度较高且对超参数敏感，t-SNE 在机器学习、计算机视觉和自然语言处理等领域仍有广泛应用。

Python中T-SNE实现降维

weixin_30455661的博客

10-20

413

Python中T-SNE实现降维 from sklearn.manifold import TSNE from sklearn.datasets import load_iris from sklearn.decomposition import PCA import matplotlib.pyplot as plt iris = load_iris() X_ts...

tsne降维可视化python源码

08-16

tsne降维可视化，将高维数据、图像进行降维，python源码。

数据降维tSNE

05-22

目前最好的降维方法。高维数据的降维与可视化。如果将维度降到2维或3维，我们就能将原始数据可视化，从而对数据的分布有直观的了解，发现一些可能存在的规律。

tsne-visualization:使用Tensorflow和Keras中的预训练网络对大型数据集图像进行TSNE可视化

05-08

可视化使用Tensorflow和Keras中的预训练网络对大型数据集图像进行TSNE可视化依存关系麻木张量流凯拉斯 keras_vggface scikit学习 matplotlib glob2 皮尔用法：执行python tsne-visualization.py --help进行使用

【机器学习】必会降维算法之：t-分布邻域嵌入（t-SNE）

商务合作 | 面试培训 | 职场规划 ==>主页扫码

05-24

3874

机器学习，必会降维算法之 t-SNE

降维方法——t_SNE原理及python代码详解

m0_51870122的博客

09-05

4946

t_SNE原理和公式，有python代码，把手写数字数据集降为二维

t-SNE(t-stochastic neighourhood embedding) 数据降维及可视化

qq_40622955的博客

06-04

2022

t-SNE 旨在保持数据点之间的局部相似性，即将高维空间中距离接近的点映射到低维空间中距离仍然较近的位置。

TSNE降维学习

qq_45895217的博客

10-08

345

在学习使用Cora数据集时，输入的初始为[2708, 1433], 输入一共有2708个点，每个节点有1433个特征。测试集的大小为[1000, 1433]最后的输出为[1000, 7]，表示每个点的类别。我们要的就是查看这个[1000, 7]的预测结果。想要将他展示在一个平面上是比较困难的，因为平面是2维的。所以需要用TSNE来将[1000, 7]降维至[1000, 2]。