• 【Python代码】TSNE高维数据降维可视化工具 + python实现


    1.概述

    1.1 什么是TSNE

    • TSNE是由T和SNE组成,T分布和随机近邻嵌入(Stochastic neighbor Embedding).
    • TSNE是一种可视化工具,将高位数据降到2-3维,然后画成图。
    • t-SNE是目前效果最好的数据降维和可视化方法
    • t-SNE的缺点是:占用内存大,运行时间长。

    1.2 TSNE原理

    1.2.1入门的原理介绍

    举一个例子,这是一个将二维数据降成一维的任务。我们要怎么实现?


    首先,我们想到的最简单的方法就是舍弃一个维度的特征,将所有点映射到x轴上:

    很明显,结果来看,蓝色和黄色的点交叠在一起,可是他们在二维上明明不属于一类


    TSNE就是计算某一个点到其他所有点的距离,然后映射到t分布上,效果就会好一些。

    1.2.2进阶的原理介绍

    • t-SNE的降维关键:把高纬度的数据点之间的距离转化为高斯分布概率

    1.2.2.1 高维距离表示

    • 如果两个点在高维空间距离越近,那么这个概率值越大。
    • 我们来看下面公式,两个公式的内容一致,只是写法不同。

    [P_{j|i} = frac{e^{frac{-||x_i-x_j||^2}{2sigma_i^2}}}{sum_{i ot=k}e^{frac{-||x_i-x_k||^2}{2sigma_i^2}}} ]

    这个形式的公式,只是明显的展示这是高斯分布概率


    [P_{j|i} = frac{exp(-||x_i-x_k||^2/(2sigma_i^2))}{sum_{i ot=k}exp(-||x_i-x_k||^2/(2sigma_i^2))} ]

    (||x_i-x_k||^2)是两个点之间的距离;
    距离越大,(exp(-||x_i-x_k||^2/(2sigma_i^2)))越小;
    距离越小,(exp(-||x_i-x_k||^2/(2sigma_i^2)))越大;
    分母是一个常数,对于一个固定的点(x_i);


    • 这个算法的创新点(sigma_i)对于每一个(x_i)都是不同的,是由事先设定的困惑性影响,(sigma_i)是自动设定的。

    现在我们能得到(p_{j|i}),然后计算联合分布

    [P_{ij} = frac{P_{j|i}+P_{i|j}}{2N} ]


    • 从上文中,我们用高斯分布概率来表示两个高维点之间的相似性,再次复述一次两个点越相似,(p_{ij})越大

    1.2.2.2 低维相似度表示

    • 在低纬度中,我们使用t分布来表示相似性。这里不探究为什么使用t分布而不是其他分布,具体内容可以看论文

    [Q_{ij} = frac{(1+||y_i-y_j||^2)^{-1}}{sum_{k ot=l}(1+||y_k-y_l||^2)^{-1}} ]

    (y_i,y_j)是低纬度的点


    1.2.2.3 惩罚函数

    • 现在我们有方法衡量高纬度和低纬度的点的相似性,我们如何保证高纬度相似度高的点在低纬度相似度也高?
    • t-SNE使用的是KL散度(Kullback-Leibler divergence)

    [KL(P|Q) = sum_{i ot=j}P_{ij}logfrac{P_{ij}}{Q_{ij}} ]

    1.2.2.4 为什么是局部相似性

    • (P_{ij})很大,(Q_{ij})很小(高维空间距离近,低维空间距离远)的惩罚很大,但是高维空间距离远,低维空间距离近的惩罚小。

    1.2.2.5 为什么选择高斯和t分布

    • 降维必然带来信息损失,TSNE保留局部信息必然牺牲全局信息,而因为t分布比 高斯分布更加长尾,可以一定程度减少这种损失。

    2 python实现

    函数参数表:

    • parameters 描述
    • n_components 嵌入空间的维度
    • perpexity 混乱度,表示t-SNE优化过程中考虑邻近点的多少,默认为30,建议取值在5到50之间
    • early_exaggeration 表示嵌入空间簇间距的大小,默认为12,该值越大,可视化后的簇间距越大
    • learning_rate 学习率,表示梯度下降的快慢,默认为200,建议取值在10到1000之间
    • n_iter 迭代次数,默认为1000,自定义设置时应保证大于250
    • min_grad_norm 如果梯度小于该值,则停止优化。默认为1e-7
    • metric 表示向量间距离度量的方式,默认是欧氏距离。如果是precomputed,则输入X是计算好的距离矩阵。也可以是自定义的距离度量函数。
    • init 初始化,默认为random。取值为random为随机初始化,取值为pca为利用PCA进行初始化(常用),取值为numpy数组时必须shape=(n_samples, n_components)
    • verbose 是否打印优化信息,取值0或1,默认为0=>不打印信息。打印的信息为:近邻点数量、耗时、σ
      、KL散度、误差等
    • random_state 随机数种子,整数或RandomState对象
    • method 两种优化方法:barnets_hut和exact。第一种耗时O(NlogN),第二种耗时O(N^2)但是误差小,同时第二种方法不能用于百万级样本
    • angle 当method=barnets_hut时,该参数有用,用于均衡效率与误差,默认值为0.5,该值越大,效率越高&误差越大,否则反之。当该值在0.2-0.8之间时,无变化。
    import numpy as np
    import matplotlib.pyplot as plt
    from sklearn import manifold,datsets
    '''X是特征,不包含target;X_tsne是已经降维之后的特征'''
    tsne = manifold.TSNE(n_components=2, init='pca', random_state=501)
    X_tsne = tsne.fit_transform(X)
    print("Org data dimension is {}. 
          Embedded data dimension is {}".format(X.shape[-1], X_tsne.shape[-1]))
          
      '''嵌入空间可视化'''
    x_min, x_max = X_tsne.min(0), X_tsne.max(0)
    X_norm = (X_tsne - x_min) / (x_max - x_min)  # 归一化
    plt.figure(figsize=(8, 8))
    for i in range(X_norm.shape[0]):
        plt.text(X_norm[i, 0], X_norm[i, 1], str(y[i]), color=plt.cm.Set1(y[i]), 
                 fontdict={'weight': 'bold', 'size': 9})
    plt.xticks([])
    plt.yticks([])
    plt.show()
    

    参考内容

    1. sklearn中tsne可视化
    2. 笔记 | 什么是TSNE
    3. 理解TSNE算法
  • 相关阅读:
    web test Grinder / nGrinder / ngrinder / gor / tcpcopy
    【python学习】之五、可调用对象
    【C/C++学习】之五、dynamic_cast
    【网络编程】之一、初识WinSocket
    【啊哈!算法】之四、选择排序
    【IOS学习】之二、虚拟机MAC Lion 10.7 下问题集锦和xcode的安装
    【网络编程】之二、socket API学习
    【C/C++学习】之六、reinterpret_cast
    【啊哈!算法】之五、归并排序
    【IOS学习】之一、VM8下安装mac lion10.7 黑苹果之续
  • 原文地址:https://www.cnblogs.com/PythonLearner/p/12903615.html
Copyright © 2020-2023  润新知