t-SNE高维数据可视化实例

2023-12-19 23:01

本文主要是介绍t-SNE高维数据可视化实例,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

t-SNE:高维数据分布可视化

实例1:自动生成一个S形状的三维曲线

实例1结果

实例1完整代码

import matplotlib.pyplot as plt
from sklearn import manifold, datasets
"""对S型曲线数据的降维和可视化"""x, color = datasets.make_s_curve(n_samples=1000, random_state=0)		# 生成一个S形状的三维曲线,以及相应的颜色数据,数据点的数量为1000个,随机数种子是0,color是[1000,1]的一维数据,对应每个点的颜色
n_neighbors = 10
n_components = 2   #n_neighbors和n_components分别表示t-SNE算法中的近邻数和降维后的维度数fig = plt.figure(figsize=(15, 15))		#图像的宽和高
plt.suptitle("Dimensionality Reduction and Visualization of S-Curve Data ", fontsize=14)		#自定义图像名称# 绘制S型曲线的3D图像
ax = fig.add_subplot(211, projection='3d')		#分为2行1列的子图布局,选择第1个子图,投影方式为3D
ax.scatter(x[:, 0], x[:, 1], x[:, 2], c=color, cmap=plt.cm.Spectral) #x[:, 0], x[:, 1], x[:, 2]代表x,y,z 绘制散点图,Spectral colormap将不同的颜色映射到数据集的不同标签上
ax.set_title('Original S-Curve', fontsize=14)
ax.view_init(4, -72)		# 将视角设置为仰角4度,方位角-72度# t-SNE的降维与可视化
ts = manifold.TSNE(n_components=n_components,perplexity=30)  #将原始数据降低到n_components维度;perplexity=30表示t-SNE算法的困惑度参数设置为30。
# 训练模型
y = ts.fit_transform(x)
ax1 = fig.add_subplot(2, 1, 2)   ##分为2行1列的子图布局,选择第2个子图
plt.scatter(y[:, 0], y[:, 1], c=color, cmap=plt.cm.Spectral)
ax1.set_title('t-SNE Curve', fontsize=14)
plt.show()

 实例2:手写数字

实例2结果

这个由于数据量太多,呈现的效果不是很明显 

实例2完整代码

from sklearn import preprocessing
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
import torchvisiontraindata = torchvision.datasets.MNIST(root='./t-SNE_dataset/', train=True, download=True)
testdata = torchvision.datasets.MNIST(root='./t-SNE_dataset/', train=False, download=True)X_train = traindata.data    #[60000, 28, 28]
y_train = traindata.targets #[60000]
X_test = testdata.data      #[10000, 28, 28]
y_test = testdata.targets   #[10000]X_train = X_train.view(len(X_train), -1)  #[样本数量, 特征维度];-1是根据原来的形状自动计算出新的维度大小,以保证总的元素个数不变,这里是28*28
X_test = X_test.view(len(X_test), -1)# t-SNE降维处理
tsne = TSNE(n_components=3, verbose=1 ,random_state=42)  #n_components=3表示降维后的维度为3,即将图像数据降低到三维;verbose=1表示打印详细的日志信息;random_state=42表示设置随机种子以保证可重复性。
train = tsne.fit_transform(X_train)
test = tsne.transform(X_test)  # 注意:使用已经训练好的t-SNE对象对验证集进行降维,不再fit_transform# 归一化处理
scaler = preprocessing.MinMaxScaler(feature_range=(-1,1))
train = scaler.fit_transform(train)
test = scaler.transform(test)  # 对验证集进行归一化处理,使用训练集的scaler对象进行transformfig = plt.figure(figsize=(20, 20))
ax = fig.add_subplot(projection='3d') #创建一个三维坐标轴,并将它添加到图像窗口中
ax.set_title('t-SNE process')
ax.scatter(train[:,0], train[:,1], train[:,2] , c=y_train, marker='o', label='Train', s=10)  
#c=y_train表示根据训练集的标签y_train来对散点进行颜色编码,每个标签对应一个特定的颜色。s=10将每个数据点的大小设置为 10 像素,使用marker='o'表示使用圆圈形状的标记来表示训练集
ax.scatter(test[:,0], test[:,1], test[:,2] , c=y_test, marker='^', label='Test', s=10)  # 使用marker='^'表示使用三角形形状的标记来表示验证集
ax.legend()  # 添加图例,以便区分训练集和验证集plt.show()

实例3:自己的实验(判断迁移是否有效)

实例3实验结果 :

实例3代码:

from __future__ import print_function
import torch
import torch.nn.functional as F
from torch.utils.data import DataLoader
from torch.autograd import Variable
import os
from data_loader_new import DatasetFolder
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
from sklearn import preprocessingdef sne():ckpt_model_0 = "E:/XD_DANN/dataset1400/result1214/mnist_mnistm_model_epoch_0.pth"my_net_0 = torch.load(ckpt_model_0)ckpt_model_9 = "E:/XD_DANN/dataset1400/result1214/mnist_mnistm_model_epoch_99.pth"my_net_9 = torch.load(ckpt_model_9)alpha = 0source_dataset_name = 'shallow_train'  ###target_dataset_name = 'deep_train'  ###source_image_root = os.path.join('..', 't_SNE', source_dataset_name)target_image_root = os.path.join('..', 't_SNE', target_dataset_name)dataset_source = DatasetFolder(source_image_root)dataloader_source = DataLoader(dataset=dataset_source,batch_size=len(dataset_source),shuffle=True,num_workers=8)data_source_iter = iter(dataloader_source)s_img, _, _ = next(data_source_iter)  #图片,标签,位置信息_, _, s_feature_0 = my_net_0(input_data=s_img, alpha=alpha)_, _, s_feature_9 = my_net_9(input_data=s_img, alpha=alpha)  #类别,领域,特征print("源域数据加载成功")dataset_target = DatasetFolder(root=target_image_root)dataloader_target = DataLoader(dataset=dataset_target,batch_size=len(dataset_target),shuffle=True,num_workers=8)data_target_iter = iter(dataloader_target)t_img,_ ,_ = next(data_target_iter)_, _, t_feature_0 = my_net_0(input_data=t_img, alpha=alpha)_, _, t_feature_9 = my_net_9(input_data=t_img, alpha=alpha)  # 类别,领域,特征print("目标域数据加载成功")# s_img = s_img.view(len(s_img), -1)  # [样本数量, 特征维度];-1是根据原来的形状自动计算出新的维度大小,以保证总的元素个数不变,这里是28*28# t_img = t_img.view(len(t_img), -1)s_feature_0 = s_feature_0.view(len(s_feature_0), -1)t_feature_0 = t_feature_0.view(len(t_feature_0), -1)s_feature_9 = s_feature_9.view(len(s_feature_9), -1)t_feature_9 = t_feature_9.view(len(t_feature_9), -1)tsne = TSNE(n_components=2, verbose=1,random_state=42)  # n_components=3表示降维后的维度为3,即将图像数据降低到三维;verbose=1表示打印详细的日志信息;random_state=42表示设置随机种子以保证可重复性。# shallow_before = tsne.fit_transform(s_img.detach().numpy())# deep_before = tsne.fit_transform(t_img.detach().numpy())shallow_before = tsne.fit_transform(s_feature_0.detach().numpy())deep_before = tsne.fit_transform(t_feature_0.detach().numpy())shallow_after = tsne.fit_transform(s_feature_9.detach().numpy())deep_after = tsne.fit_transform(t_feature_9.detach().numpy())scaler = preprocessing.MinMaxScaler(feature_range=(-1, 1))shallow_before = scaler.fit_transform(shallow_before)deep_before = scaler.fit_transform(deep_before)shallow_after = scaler.fit_transform(shallow_after)deep_after = scaler.transform(deep_after)  # 对验证集进行归一化处理,使用训练集的scaler对象进行transformfig = plt.figure(figsize=(30, 30))ax = fig.add_subplot(211)ax.set_title('第0轮次训练结果')ax.scatter(shallow_before[:, 0], shallow_before[:, 1], c='gray', marker='o', label='shallow', s=10)ax.scatter(deep_before[:, 0], deep_before[:, 1], c='red', marker='^', label='deep', s=10)ax.legend()ax = fig.add_subplot(212)ax.set_title('第99轮次训练结果')ax.scatter(shallow_after[:,0], shallow_after[:,1],  c='gray', marker='o', label='shallow', s=10)ax.scatter(deep_after[:,0], deep_after[:,1] , c='red', marker='^', label='deep', s=10)  # 使用marker='^'表示使用三角形形状的标记来表示验证集ax.legend()  # 添加图例,以便区分训练集和验证集plt.rcParams['font.sans-serif'] = ['SimHei']  ## 用来正常显示中文标签plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号plt.show()if __name__ == '__main__':sne()print('done')

大家可以根据自己的实验需要更改代码,提醒若需要显示中文/负号,别忘了这两行代码哟!

plt.rcParams['font.sans-serif'] = ['SimHei']  ## 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

参考:http://t.csdnimg.cn/cshBV

这篇关于t-SNE高维数据可视化实例的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/514015

相关文章

C# WinForms存储过程操作数据库的实例讲解

《C#WinForms存储过程操作数据库的实例讲解》:本文主要介绍C#WinForms存储过程操作数据库的实例,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、存储过程基础二、C# 调用流程1. 数据库连接配置2. 执行存储过程(增删改)3. 查询数据三、事务处

Java利用JSONPath操作JSON数据的技术指南

《Java利用JSONPath操作JSON数据的技术指南》JSONPath是一种强大的工具,用于查询和操作JSON数据,类似于SQL的语法,它为处理复杂的JSON数据结构提供了简单且高效... 目录1、简述2、什么是 jsONPath?3、Java 示例3.1 基本查询3.2 过滤查询3.3 递归搜索3.4

springboot security验证码的登录实例

《springbootsecurity验证码的登录实例》:本文主要介绍springbootsecurity验证码的登录实例,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,... 目录前言代码示例引入依赖定义验证码生成器定义获取验证码及认证接口测试获取验证码登录总结前言在spring

MySQL大表数据的分区与分库分表的实现

《MySQL大表数据的分区与分库分表的实现》数据库的分区和分库分表是两种常用的技术方案,本文主要介绍了MySQL大表数据的分区与分库分表的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有... 目录1. mysql大表数据的分区1.1 什么是分区?1.2 分区的类型1.3 分区的优点1.4 分

Mysql删除几亿条数据表中的部分数据的方法实现

《Mysql删除几亿条数据表中的部分数据的方法实现》在MySQL中删除一个大表中的数据时,需要特别注意操作的性能和对系统的影响,本文主要介绍了Mysql删除几亿条数据表中的部分数据的方法实现,具有一定... 目录1、需求2、方案1. 使用 DELETE 语句分批删除2. 使用 INPLACE ALTER T

tomcat多实例部署的项目实践

《tomcat多实例部署的项目实践》Tomcat多实例是指在一台设备上运行多个Tomcat服务,这些Tomcat相互独立,本文主要介绍了tomcat多实例部署的项目实践,具有一定的参考价值,感兴趣的可... 目录1.创建项目目录,测试文China编程件2js.创建实例的安装目录3.准备实例的配置文件4.编辑实例的

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

Redis 中的热点键和数据倾斜示例详解

《Redis中的热点键和数据倾斜示例详解》热点键是指在Redis中被频繁访问的特定键,这些键由于其高访问频率,可能导致Redis服务器的性能问题,尤其是在高并发场景下,本文给大家介绍Redis中的热... 目录Redis 中的热点键和数据倾斜热点键(Hot Key)定义特点应对策略示例数据倾斜(Data S

Python实现将MySQL中所有表的数据都导出为CSV文件并压缩

《Python实现将MySQL中所有表的数据都导出为CSV文件并压缩》这篇文章主要为大家详细介绍了如何使用Python将MySQL数据库中所有表的数据都导出为CSV文件到一个目录,并压缩为zip文件到... python将mysql数据库中所有表的数据都导出为CSV文件到一个目录,并压缩为zip文件到另一个