机器学习——tsne降维处理

不念不忘少年蓝@ 2022-12-26 04:44 243阅读 0赞

import warnings
    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    
    #依赖
    from sklearn.manifold import TSNE
    from sklearn.preprocessing import StandardScaler
    
    sns.set()
    warnings.filterwarnings('ignore')
    
    df = pd.read_csv(
        'https://labfile.oss.aliyuncs.com/courses/1283/telecom_churn.csv')
    df.head()
    
    X = df.drop(['Churn','State'],axis=1)
    #转化为数值
    X['International plan'] = X['International plan'].map({ 'Yes':1,'No':0})
    X['Voice mail plan'] = X['Voice mail plan'].map({ 'Yes':1,'No':0})
    #StandardScaler()方法归一化数据
    scaler=StandardScaler()
    X_scaled = scaler.fit_transform(X)
    
    #构建t-sine
    tsne = TSNE(random_state=17)
    tsne_repr = tsne.fit_transform(X_scaled)
    #绘图
    #plt.scatter(tsne_repr[:,0],tsne_repr[:,1],alpha=.5)
    #绘图加上色
    #plt.scatter(tsne_repr[:,0],tsne_repr[:,1],c=df['Churn'].map({False:'blue',True:'orange'}),alpha=.5)
    
    _, axes = plt.subplots(1, 2, sharey=True, figsize=(12, 5))
    
    for i, name in enumerate(['International plan', 'Voice mail plan']):
        axes[i].scatter(tsne_repr[:, 0], tsne_repr[:, 1],
                        c=df[name].map({ 'Yes': 'orange', 'No': 'blue'}), alpha=.5)
        axes[i].set_title(name)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MzQ1MQ_size_16_color_FFFFFF_t_70]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MzQ1MQ_size_16_color_FFFFFF_t_70]: /images/20221120/75be3bfe9f474c25b7ec105a2aff994f.png

发表评论取消回复

表情：

评论列表（有 0 条评论，243人围观）

还没有评论，来说两句吧...

相关阅读

相关 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...

今天药忘吃喽~/ 2024年04月17日 05:47/ 0 赞/ 58 阅读

相关机器学习实战—降维

文章目录一.简介二.降低维度的主要方法 2.1 简介 2.2 投影 2.3 流形学习三.PCA降维

本是古典何须时尚/ 2024年04月01日 16:06/ 0 赞/ 91 阅读

相关机器学习---降维算法

知其然知其所以然【写在前面】主成分分析（PCA）原理部分代码部分可视化

水深无声/ 2024年03月26日 21:56/ 0 赞/ 71 阅读

相关 TSNE数据降维

1、TSNE的基本概念 2、例1 鸢尾花数据集降维 3、例2 MINISET数据集降维 1、TSNE的基本概念 t-SNE(t-distributed st

秒速五厘米/ 2023年01月05日 12:05/ 0 赞/ 262 阅读

相关机器学习——tsne降维处理

import warnings import numpy as np import pandas as pd import matplotlib

不念不忘少年蓝@/ 2022年12月26日 04:44/ 0 赞/ 244 阅读

相关 TSNE实现降维及可视化

目录前言降维可视化举例：前言最近在看迁移学习需要观察迁移效果，需要把特征可视化来查看分布情况，所以需要用到降维可视化这个

- 日理万妓/ 2022年11月17日 03:45/ 0 赞/ 299 阅读

相关【机器学习】降维算法 PCA、LDA、LLE、Laplacian EigenmapsI、SOMAP 、 MDS、SNE、TSNE

机器学习领域中所谓的降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f : x->y，其中x是原始数据点的表达，目前最多使

桃扇骨/ 2022年06月01日 05:53/ 0 赞/ 636 阅读

相关机器学习-PCA降维

PCA(Principal Component Analysis 主成分分析) PCA主要用于非线性数据的降维，需要用到核技巧。因此在使用的时候需要选择合适的核函数并对核函

快来打我*/ 2022年05月30日 03:18/ 0 赞/ 285 阅读

相关机器学习—降维

降维的作用：压缩和可视化数据压缩（3D–>2D）：减少数据从3D到2D ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpd

短命女/ 2022年02月05日 01:13/ 0 赞/ 360 阅读

相关机器学习降维--PCA

1.原理和概念 PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。 PCA的主要思想是将n维特征映射

叁歲伎倆/ 2021年12月05日 05:55/ 0 赞/ 435 阅读