Wizualizacja t-SNE danych wysokowymiarowych

Redukcja wymiarowości w Pythonie

Jeroen Boeye

Head of Machine Learning, Faktion

t-SNE na zbiorze danych IRIS

skupiska iris

t-SNE na zbiorze danych IRIS

skupiska iris – 1 z adnotacją

t-SNE na zbiorze danych IRIS

skupiska iris – 3 z adnotacjami

t-SNE na zbiorze danych ANSUR (kobiety)

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)

Dopasowanie 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)

Przypisywanie cech t-SNE do zbioru danych

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]

Wykres t-SNE

import seaborn as sns

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

plt.show()

Wykres t-SNE

chmura punktów ANSUR

Kolorowanie punktów według kategorii BMI

import seaborn as sns
import matplotlib.pyplot as plt

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

plt.show()

Kolorowanie punktów według kategorii BMI

chmura punktów ANSUR – BMI

Kolorowanie punktów według kategorii BMI

chmura punktów ANSUR – BMI z adnotacjami

Kolorowanie punktów według kategorii wzrostu

import seaborn as sns

import matplotlib.pyplot as plt

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

plt.show()

Kolorowanie punktów według kategorii wzrostu

chmura punktów ANSUR – wzrost

Kolorowanie punktów według kategorii wzrostu

chmura punktów ANSUR z podwójnymi adnotacjami

Czas na ćwiczenia!

Redukcja wymiarowości w Pythonie