t-SNE-visualisering av högdimensionell data

Dimensionsreduktion i Python

Jeroen Boeye

Head of Machine Learning, Faktion

t-SNE på IRIS-datamängden

iris-kluster

t-SNE på IRIS-datamängden

iris-kluster 1 annoterat

t-SNE på IRIS-datamängden

iris-kluster 3 annoterat

t-SNE på ANSUR-datamängden (kvinnor)

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)

Anpassa 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)

Tilldela t-SNE-särdrag till datamängden

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]

Plotta t-SNE

import seaborn as sns

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

plt.show()

Plotta t-SNE

ansur punktmoln

Färgkoda punkter efter BMI-kategori

import seaborn as sns
import matplotlib.pyplot as plt

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

plt.show()

Färgkoda punkter efter BMI-kategori

ansur punktmoln BMI

Färgkoda punkter efter BMI-kategori

ansur punktmoln BMI annoterat

Färgkoda punkter efter längdkategori

import seaborn as sns

import matplotlib.pyplot as plt

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

plt.show()

Färgkoda punkter efter längdkategori

ansur punktmoln längd

Färgkoda punkter efter längdkategori

ansur punktmoln dubbelt annoterat

Nu kör vi en övning!

Dimensionsreduktion i Python