【数据可视化】t-SNE降维可视化,特征可视化，同时出2D和3D图附Matlab代码

最新推荐文章于 2025-11-09 15:48:20 发布

原创最新推荐文章于 2025-11-09 15:48:20 发布 · 403 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#信息可视化 #3d #matlab

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍

在如今这个数据爆炸的时代，我们每天都会被海量的数据所淹没。据统计，全球每天产生的数据量已经达到了惊人的 2.5 万亿字节，而且这个数字还在以每年 50% 的速度增长。在如此庞大的数据海洋中，如何快速、准确地提取有价值的信息，成为了摆在我们面前的一大难题。数据可视化，作为一种将数据转化为直观图形或图像的技术，应运而生，它为我们提供了一把开启数据洞察新时代的钥匙。

数据可视化的重要性不言而喻。它就像是一位神奇的翻译官，将复杂晦涩的数据语言转化为通俗易懂的视觉语言，让即使没有深厚数据分析背景的人也能轻松理解数据背后的含义。通过各种精美的图表、图形，如柱状图、折线图、饼图、散点图等，数据可视化能够将数据中的趋势、模式、关系和异常清晰地展现出来，极大地提高了我们对数据的理解和分析效率。

举个例子，在金融领域，分析师可以通过绘制股票价格的折线图，一目了然地看到股票价格的走势，从而做出合理的投资决策；在市场营销中，市场经理可以利用柱状图对比不同产品的销售额，快速找出销售明星产品和需要改进的产品；在医疗行业，医生可以借助散点图分析患者的各项生理指标之间的关系，辅助诊断疾病。

在众多的数据可视化技术中，t-SNE 降维可视化和特征可视化脱颖而出，成为了数据科学家和分析师们手中的得力工具，它们能够帮助我们深入挖掘数据的内在结构和特征，发现那些隐藏在高维数据中的奥秘。接下来，就让我们一起走进 t-SNE 降维可视化和特征可视化的精彩世界，探索它们的神奇之处。

t-SNE 降维可视化：探秘高维数据的低维映射

（一）t-SNE 是什么

t-SNE，全称为 t - 分布随机邻域嵌入（t-Distributed Stochastic Neighbor Embedding），是一种强大的非线性降维技术，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。在如今的数据科学领域，我们常常会遇到高维数据，这些数据包含了大量的特征和信息，但由于维度过高，直接对其进行可视化和分析变得极为困难。而 t-SNE 就像是一位神奇的魔法师，它能够将高维数据巧妙地映射到二维或三维空间中，同时尽可能地保留数据的局部结构，使得在低维空间中的数据点分布能够清晰地反映出高维空间中的相似性与簇结构。

例如，在图像识别中，一幅图像可能由成千上万的像素点构成，每个像素点的颜色、亮度等信息都可以作为一个维度，这就形成了高维数据。t-SNE 可以将这些高维的图像数据映射到低维空间，让我们直观地看到不同图像之间的相似性，哪些图像属于同一类别，哪些图像之间存在差异。在自然语言处理领域，文本数据经过词向量表示后也会形成高维数据，t-SNE 能够帮助我们将这些高维的文本向量可视化，探索不同文本主题之间的关系。

（二）t-SNE 的工作原理

（一）特征可视化的意义

在深度学习和数据分析的领域中，特征可视化犹如一把神奇的钥匙，为我们打开了理解数据和模型的大门。它的核心意义在于，将那些隐藏在数据内部、难以直接感知的特征，以直观、形象的方式展现出来，让我们能够洞察数据的内在结构和规律，深入理解模型的决策过程。

以图像识别模型为例，通过特征可视化，我们可以清晰地看到模型在识别图像时关注的重点区域。比如在识别猫的图像时，模型可能会聚焦在猫的眼睛、耳朵、尾巴等关键部位，这些部位的特征在可视化中会被凸显出来，帮助我们了解模型是如何进行判断的。在自然语言处理中，特征可视化可以展示模型对文本中不同词汇、短语的关注度，从而揭示模型对语义的理解方式。

（二）常见的特征可视化方法

梯度上升法：梯度上升法是一种经典的特征可视化方法，它的基本原理是通过不断调整输入图像，使得特定神经元的激活值最大化。具体来说，我们从一个随机初始化的图像开始，计算该图像在模型中某个神经元的激活值，然后根据激活值对图像进行梯度上升操作，即沿着梯度的方向调整图像，使得激活值不断增大。经过多次迭代后，我们就可以得到一个能够使该神经元激活值最大化的图像，这个图像就代表了该神经元所学习到的特征。例如，在一个卷积神经网络中，我们可以通过梯度上升法来可视化某个卷积层中特定滤波器所提取的特征，从而了解该滤波器对图像中哪些模式敏感。

CAM（Class Activation Mapping，类激活映射）：CAM 是一种用于可视化深度模型对图像中不同区域关注程度的方法。它的实现基于全局平均池化（GAP），首先将图像输入到模型中，得到最后一个卷积层的特征图，然后对特征图进行全局平均池化，得到每个特征图的全局平均值，这些平均值与模型的全连接层权重进行加权求和，就可以得到每个类别的激活映射。通过对激活映射进行上采样，使其大小与原始图像一致，就可以得到一个热力图，热力图中颜色较深的区域表示模型对该区域的关注度较高。例如，在一个图像分类模型中，我们可以使用 CAM 来可视化模型在判断图像属于某个类别时，主要关注图像的哪些部分。

Grad-CAM（Gradient-weighted Class Activation Mapping，梯度加权类激活映射）：Grad-CAM 是在 CAM 的基础上发展而来的，它解决了 CAM 需要修改模型结构的问题。Grad-CAM 的核心思想是利用最后一个卷积层的梯度信息来生成激活映射。具体步骤如下：首先将图像输入模型，得到最后一个卷积层的特征图和预测结果；然后根据预测结果，计算该类别对最后一个卷积层特征图的梯度；接着对梯度在空间维度上进行平均，得到每个通道的重要性权重；最后将重要性权重与特征图进行加权求和，并通过 ReLU 激活函数处理，得到 Grad-CAM 热力图。与 CAM 相比，Grad-CAM 不需要修改模型结构，并且能够更准确地定位图像中对预测结果有重要贡献的区域，在图像分类、目标检测等任务中得到了广泛应用。例如，在医学图像分析中，Grad-CAM 可以帮助医生确定模型在诊断疾病时所依据的关键图像区域。