sklearn tsne
采用tsne画数据集的分布图
from sklearn.manifold import TSNE
import numpy as np
import time
import matplotlib.pyplot as plt
import pandas as pd# fig = plt.figure()
# ax = fig.add_subplot(1, 1, 1, projection='3d')
# for i in range(X.shape[0]):
# ax.text(X[i, 0], X[i, 1], X[i, 2], str(digits.target[i]),
# color=plt.cm.Set1(y[i] / 10.),
# fontdict={'weight': 'bold', 'size': 9})
# if title is not None:
# plt.title(title)name = ['adenocarcinoma']
for j in range(len(name)):dataset = pd.read_csv('C:/Users/' + name[j] + '.csv', header=None)print(name[j], dataset.shape)shape = dataset.shape[1] - 1shape1 = dataset.shape[0]x = dataset.iloc[:, :-1].valuesy = dataset.iloc[:, -1].valuestsne = TSNE(n_components=2, init='pca', random_state=0)t0 = time.time()result = tsne.fit_transform(x)print(result.shape)x_min, x_max = np.min(result, 0), np.max(result, 0) # 每列中的最小值和最大值data = (result - x_min) / (x_max - x_min) # 归一化# print(x_min)# print(x_max)print('----')# print(data)# 3d图像# fig = plt.figure()# ax = fig.add_subplot(1, 1, 1, projection='3d')# for i in range(data.shape[0]):# ax.text(data[i, 0], data[i, 1], data[i, 2], str(y[i]),# color=plt.cm.Set1(y[i] / 10.),# fontdict={'weight': 'bold', 'size': 9})# 2d图像fig = plt.figure(figsize=(10, 7))markers = ["+", "o", "<", ">", "*", ".", ",", "p", "3"]for i in range(data.shape[0]):plt.text(data[i, 0], data[i, 1], str(y[i]), color=plt.cm.Set1(y[i]),fontdict={'weight': 'bold', 'size': 9})plt.xlim()plt.ylim()plt.title(name[j])plt.savefig('C:/Users/tsne_' + name[j] + '.png', dpi=500)
sklearn tsne相关推荐
- scanpy TSNE画图和sklearn TSNE画图复现
今天测试一个数据时,发现scanpy画的图和使用sklearn画的图有点不一样,解决过程如下 测试1 from sklearn import datasets import scanpy as sc ...
- sklearn tsne降维方法举例
问题 给定4X3维度的数据,我们想要在二维图上可视化,该怎么操作呢? 解决 我们可以通过调用sklearn中的tsne将给定的数据做降维操作,进而实现数据的可视化,如代码所示: import nump ...
- python实现tsne
参考链接: https://blog.csdn.net/zhangweiguo_717/article/details/70998959 原博客代码完整如下: #-*- coding:utf-8 -* ...
- python实现TSNE检验 TSNE降维代码
python如何实现TSNE检验并绘图 一般而言TSNE就是一种数据可视化的工具,能够将高维数据降到2-3维(降维),然后画成图.现在也有蛮多可以直接使用的套件,如sklearn.manifold(具 ...
- Kaggle 官方教程:嵌入
原文:Embeddings 译者:飞龙 协议:CC BY-NC-SA 4.0 P.S- 本课程仍处于测试阶段,因此我很乐意收到你的反馈意见. 如果你有时间填写本课程的超短期调查,我将非常感激. 你也可 ...
- Python编程语言学习:sklearn.manifold的TSNE函数的简介、使用方法、代码实现之详细攻略
Python编程语言学习:sklearn.manifold的TSNE函数的简介.使用方法.代码实现之详细攻略 目录 Manifold简介 TSNE简介-数据降维且可视化 TSNE使用方法 TSNE代码 ...
- sklearn 特征降维利器 —— PCA TSNE
同为降维工具,二者的主要区别在于, 所在的包不同(也即机制和原理不同) from sklearn.decomposition import PCA from sklearn.manifold impo ...
- sklearn基础篇(十)-- 非负矩阵分解与t-SNE
1 非负矩阵分解(NFM) NMF(Non-negative matrix factorization),即对于任意给定的一个非负矩阵V\pmb{V}VVV,其能够寻找到一个非负矩阵W\pmb{W}W ...
- sklearn 笔记 TSNE
0 基本介绍 机器学习笔记:t-SNE_UQI-LIUWJ的博客-CSDN博客 将高维数据降维,使得高维数据各点的联合概率,和对应的低维数据各点的联合概率之间的 KL散度尽量小 对T-SNE使用不同的 ...
最新文章
- EJB2.0版本的HelloWorld
- python代码打好了怎么运行-python代码是怎样运行的
- Mysql Replication 机制
- Linux网络编程基础_6_应用层(下)--E-mail,WWW(大结局)
- 启明云端技术社区之星--张梦玉
- tourist取模模板
- java匹配机制_Java Spring:需要通配符@RequestMapping来匹配所有BUT / images / *以及对原始URL的访问权限...
- [转]RamDisk导致远程桌面客户端无法启动问题
- 操作系统—吸烟者问题
- 类似GoogleMap地图网站的简单实现(1)
- SciPy教程 - 常数constants和特殊函数库special
- python学习之路第四周汇总
- 第十章第二节 阿基米德原理
- php 同时登录怎么办,php 实现同一个账号同时只能一个人登录
- ADMM算法在神经网络模型剪枝方面的应用
- 洛谷P1179 [NOIP2010 普及组] 数字统计题解
- QQ空间日志导出(php)
- 这些雷达书籍,你需要收藏~(终极大汇总)
- Linux下用户账号管理基础
- python有哪些细节描写_什么是细节描写?它又包括哪些方面?
热门文章
- linux启动某个网卡命令行,linux下启动和关闭网卡命令及DHCP上网
- css如何设置背景图片?background属性添加背景图片
- 安装office 2007无法将值写入注册表项错误1406
- Python爬取了《雪中悍刀行》数据,数据可视化分析
- 数学建模之AHP层次分析法
- 计算机开启telnet服务,win10打开telnet服务如何操作_win10怎么开启电脑telnet服务-win7之家...
- 人生哲理,小笑话中的哲理
- syslog 华为 服务器_配置华为交换机把日志发送到远程centos syslog服务器上
- c语言选择结构选最小值,c语言选择结构试题带答案
- 医保医用耗材编码目录——在线查询