详细解答T-SNE程序中from sklearn.manifold import TSNE的数据设置，包括输入数据，绘制颜色的参数设置，代码复制可用！！-编程知识

详细解答T-SNE程序中from sklearn.manifold import TSNE的数据设置，包括输入数据，绘制颜色的参数设置，代码复制可用！！

在这里插入图片描述

文章目录

前言——TSNE是t-Distributed Stochastic Neighbor Embedding的缩写
1、可运行的T-SNE程序
2. 实验结果
3、针对上述程序我们详细分析T-SNE的使用方法
- 3.1 加载数据
- 3.2 TSNE降维
- 3.3 绘制点
- 3.4 关于颜色设置，颜色使用的标签数据的说明c=y
总结

前言——TSNE是t-Distributed Stochastic Neighbor Embedding的缩写

TSNE是t-Distributed Stochastic Neighbor Embedding的缩写,它是一个非线性降维算法。

TSNE的主要作用和优点如下:

将高维数据投影到低维空间,如二维或三维,实现高维数据的可视化。
相比其他降维方法如PCA,TSNE在保留局部结构信息上的效果更好,尤其适用于高维稠密数据。
它可以很好地区分数据中的簇结构,有利于观察不同类别或类型的数据分布情况。

1、可运行的T-SNE程序

from sklearn.datasets import load_iris
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
import matplotlib
matplotlib.use('TkAgg')# 加载数据
iris = load_iris()
X = iris.data
y = iris.target# TSNE降维
tsne = TSNE(n_components=2, random_state=0)
X_tsne = tsne.fit_transform(X)# 绘制点
plt.scatter(X_tsne[:,0], X_tsne[:,1], c=y, marker='o', s=5)# 添加图例
plt.legend(iris.target_names)# 添加标题
plt.title("TSNE projection of the Iris dataset")plt.show()

2. 实验结果

在这里插入图片描述

3、针对上述程序我们详细分析T-SNE的使用方法

3.1 加载数据

load_iris()函数从sklearn.datasets模块加载鸢尾花数据集,
iris包含数据集的特征数据X和标签数据y。

3.2 TSNE降维

TSNE是一种非线性降维算法,用于高维数据的可视化。它可以将高维数据投影到二维或三维空间。
TSNE(n_components=2)实例化一个TSNE模型,降维后的维度数设为2。
random_state=0固定随机数种子,使得结果可重复。
fit_transform(X)对特征数据X进行降维,返回降维后的新特征X_tsne。

3.3 绘制点

X_tsne包含每个样本的二维坐标。
plt.scatter以(x,y)坐标方式绘制每个点,c=y指定点的颜色。
marker='o’设置点的形状为圆形。
s=5控制点的大小。

通过TSNE降维,高维数据X被投影到二维空间,得到低维表示X_tsne。然后根据X_tsne和y进行散点图绘制,就可以实现TSNE降维结果的可视化。这是TSNE的标准流程。

3.4 关于颜色设置，颜色使用的标签数据的说明c=y

c=y这行代码的含义和作用是:

c参数用于设置散点图中每个点的颜色。
y变量包含了样本的类别标签信息。对于鸢尾花数据集来说,y取值为0、1或2,分别表示三种花的类别。
当我们设置c=y时,就是根据每个样本在y中的类别标签值,来动态设置这个样本点在散点图中的颜色。
具体来说:
- 如果一个样本的y值为0,那么这个点的颜色就会取颜色映射中的第一个颜色。
- 如果y值为1,点颜色取第二个颜色。
- 如果y值为2,点颜色取第三个颜色。
这样每个类别的样本点就会使用不同的颜色来绘制,从而在可视化结果中清晰区分开各个类别。