Visualizzazione t-SNE di dati ad alta dimensionalità

Riduzione della dimensionalità in Python

Jeroen Boeye

Head of Machine Learning, Faktion

t-SNE sul dataset IRIS

cluster dell'iris

t-SNE sul dataset IRIS

cluster dell'iris 1 annotato

t-SNE sul dataset IRIS

cluster dell'iris 3 annotato

t-SNE sul dataset ANSUR femminile

df.shape

(1986, 99)

non_numeric = ['BMI_class', 'Height_class', 
               'Gender',  'Component', 'Branch']

df_numeric = df.drop(non_numeric, axis=1)

df_numeric.shape

(1986, 94)

Addestrare t-SNE

from sklearn.manifold import TSNE

m = TSNE(learning_rate=50)

tsne_features = m.fit_transform(df_numeric)

tsne_features[1:4,:]

array([[-37.962185,  15.066088],
       [-21.873512,  26.334448],
       [ 13.97476 ,  22.590828]], dtype=float32)

Assegnare le feature t-SNE al dataset

tsne_features[1:4,:]

array([[-37.962185,  15.066088],
       [-21.873512,  26.334448],
       [ 13.97476 ,  22.590828]], dtype=float32)

df['x'] = tsne_features[:,0]

df['y'] = tsne_features[:,1]

Plot di t-SNE

import seaborn as sns

sns.scatterplot(x="x", y="y", data=df)

plt.show()

Plot di t-SNE

nuvola di punti ANSUR

Colora i punti in base alla categoria di BMI

import seaborn as sns
import matplotlib.pyplot as plt

sns.scatterplot(x="x", y="y", hue='BMI_class', data=df)

plt.show()

Colora i punti in base alla categoria di BMI

nuvola di punti ANSUR BMI

Colora i punti in base alla categoria di BMI

nuvola di punti ANSUR BMI annotata

Colora i punti in base alla categoria di altezza

import seaborn as sns

import matplotlib.pyplot as plt

sns.scatterplot(x="x", y="y", hue='Height_class', data=df)

plt.show()

Colora i punti in base alla categoria di altezza

nuvola di punti ANSUR altezza

Colora i punti in base alla categoria di altezza

nuvola di punti ANSUR doppia annotazione

Esercitiamoci!

Riduzione della dimensionalità in Python