seo网站关键词优化软件,制作视频教程,杭州哪里可以做网站推广,城乡建设管理局网站特征可视化技术t-SNE
一、理论介绍
想要了解t-SNE的数学原理可以参考t-SNE完整笔记
关于t-SNE的使用过程中有以下几点需要注意#xff1a; t-SNE算法并不是每次都能产生相似结果。 t-SNE算法使得距离的概念适应于数据集中的区域密度变化。因此#xff0c;它自然而然地扩大…特征可视化技术t-SNE
一、理论介绍
想要了解t-SNE的数学原理可以参考t-SNE完整笔记
关于t-SNE的使用过程中有以下几点需要注意 t-SNE算法并不是每次都能产生相似结果。 t-SNE算法使得距离的概念适应于数据集中的区域密度变化。因此它自然而然地扩大密集的集群收缩稀疏的集群使集群大小趋于平衡。 还有一些可以阅读How to Use t-SNE Effectively
二、使用介绍
python sklearn就可以直接使用T-SNE调用sklearn.mainfold.TSNE即可。 import numpy as npfrom sklearn.manifold import TSNEX np.array([[0, 0, 0], [0, 1, 1], [1, 0, 1], [1, 1, 1]])X_embedded TSNE(n_components2, learning_rateauto,
... initrandom, perplexity3).fit_transform(X)X_embedded.shape
(4, 2)这里面TSNE自身参数网页中都有介绍。这里fit_trainsform(x)输入的x是numpy变量。pytroch中如果想要令特征可视化需要转为numpy此外x的维度是二维的第一个维度为例子数量第二个维度为特征数量。比如上述代码中x就是4个例子每个例子的特征维度为3。Pytroch中图像的特征往往大小是BXCXWXH的可以flatten一下变成[B, CXWXH]。
参考文献
如何调参2利用tSNE降维实现模型隐藏层的可视化How to Use t-SNE Effectivelyt-SNE完整笔记
