Visualisation t-SNE de données à haute dimension

Réduction de dimensionnalité en Python

Jeroen Boeye

Head of Machine Learning, Faktion

t-SNE sur l'ensemble IRIS

regroupements d'iris

t-SNE sur l'ensemble IRIS

regroupements d'iris 1 annotés

t-SNE sur l'ensemble IRIS

regroupements d'iris 3 annotés

t-SNE sur l'ensemble ANSUR (femmes)

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)

Ajuster 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)

Attribuer les caractéristiques t-SNE à notre ensemble

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]

Tracer t-SNE

import seaborn as sns

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

plt.show()

Tracer t-SNE

nuage de points ANSUR

Colorer les points selon la catégorie d'IMC

import seaborn as sns
import matplotlib.pyplot as plt

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

plt.show()

Colorer les points selon la catégorie d'IMC

nuage de points ANSUR IMC

Colorer les points selon la catégorie d'IMC

nuage de points ANSUR IMC annoté

Colorer les points selon la catégorie de taille

import seaborn as sns

import matplotlib.pyplot as plt

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

plt.show()

Colorer les points selon la catégorie de taille

nuage de points ANSUR taille

Colorer les points selon la catégorie de taille

nuage de points ANSUR double annotation

Passons à la pratique !

Réduction de dimensionnalité en Python