sklearn中tsne可视化

75,117次阅读
6 条评论

共计 5311 个字符,预计需要花费 14 分钟才能阅读完成。

声明:

  1. manifold:可以称之为流形数据。像绳结一样的数据,虽然在高维空间中可分,但是在人眼所看到的低维空间中,绳结中的绳子是互相重叠的不可分的。
  2. 参考sklearn官方文档
  3. 对数据降维比较熟悉的朋友可以看这篇博客
    t-SNE实践——sklearn教程

数据降维与可视化——t-SNE

t-SNE是目前来说效果最好的数据降维与可视化方法,但是它的缺点也很明显,比如:占内存大,运行时间长。但是,当我们想要对高维数据进行分类,又不清楚这个数据集有没有很好的可分性(即同类之间间隔小,异类之间间隔大),可以通过t-SNE投影到2维或者3维的空间中观察一下。如果在低维空间中具有可分性,则数据是可分的;如果在高维空间中不具有可分性,可能是数据不可分,也可能仅仅是因为不能投影到低维空间。
下面会简单介绍t-SNE的原理,参数和实例。

t-distributed Stochastic Neighbor Embedding(t-SNE)

t-SNE(TSNE)将数据点之间的相似度转换为概率。原始空间中的相似度由高斯联合概率表示,嵌入空间的相似度由“学生t分布”表示。

虽然Isomap,LLE和variants等数据降维和可视化方法,更适合展开单个连续的低维的manifold。但如果要准确的可视化样本间的相似度关系,如对于下图所示的S曲线(不同颜色的图像表示不同类别的数据),t-SNE表现更好。因为t-SNE主要是关注数据的局部结构

sklearn中tsne可视化

通过原始空间和嵌入空间的联合概率的Kullback-Leibler(KL)散度来评估可视化效果的好坏,也就是说用有关KL散度的函数作为loss函数,然后通过梯度下降最小化loss函数,最终获得收敛结果。注意,该loss不是凸函数,即具有不同初始值的多次运行将收敛于KL散度函数的局部最小值中,以致获得不同的结果。因此,尝试不同的随机数种子(Python中可以通过设置seed来获得不同的随机分布)有时候是有用的,并选择具有最低KL散度值的结果。

使用t-SNE的缺点大概是:

  • t-SNE的计算复杂度很高,在数百万个样本数据集中可能需要几个小时,而PCA可以在几秒钟或几分钟内完成
  • Barnes-Hut t-SNE方法(下面讲)限于二维或三维嵌入。
  • 算法是随机的,具有不同种子的多次实验可以产生不同的结果。虽然选择loss最小的结果就行,但可能需要多次实验以选择超参数。
  • 全局结构未明确保留。这个问题可以通过PCA初始化点(使用init ='pca')来缓解。

优化 t-SNE

t-SNE的主要目的是高维数据的可视化。因此,当数据嵌入二维或三维时,效果最好。有时候优化KL散度可能有点棘手。有五个参数可以控制t-SNE的优化,即会影响最后的可视化质量:

  • perplexity困惑度
  • early exaggeration factor前期放大系数
  • learning rate学习率
  • maximum number of iterations最大迭代次数
  • angle角度

Barnes-Hut t-SNE

Barnes-Hut t-SNE主要是对传统t-SNE在速度上做了优化,是现在最流行的t-SNE方法,同时它与传统t-SNE还有一些不同:

  • Barnes-Hut仅在目标维度为3或更小时才起作用。以2D可视化为主。
  • Barnes-Hut仅适用于密集的输入数据。稀疏数据矩阵只能用特定的方法嵌入,或者可以通过投影近似,例如使用sklearn.decomposition.TruncatedSVD
  • Barnes-Hut是一个近似值。使用angle参数对近似进行控制,因此当参数method="exact"时,TSNE()使用传统方法,此时angle参数不能使用。
  • Barnes-Hut可以处理更多的数据。 Barnes-Hut可用于嵌入数十万个数据点。

为了可视化的目的(这是t-SNE的主要用处),强烈建议使用Barnes-Hut方法。method="exact"时,传统的t-SNE方法尽管可以达到该算法的理论极限,效果更好,但受制于计算约束,只能对小数据集的可视化。

对于MNIST来说,t-SNE可视化后可以自然的将字符按标签分开,见本文最后的例程;而PCA降维可视化后的手写字符,不同类别之间会重叠在一起,这也证明了t-SNE的非线性特性的强大之处。值得注意的是:未能在2D中用t-SNE显现良好分离的均匀标记的组不一定意味着数据不能被监督模型正确分类,还可能是因为2维不足以准确地表示数据的内部结构。

注意事项

  • 数据集在所有特征维度上的尺度应该相同

参数说明

parameters description
n_components int, 默认为2,嵌入空间的维度(嵌入空间的意思就是结果空间)
perplexity float, 默认为30,数据集越大,需要参数值越大,建议值位5-50
early_exaggeration float, 默认为12.0,控制原始空间中的自然集群在嵌入式空间中的紧密程度以及它们之间的空间。 对于较大的值,嵌入式空间中自然群集之间的空间将更大。 再次,这个参数的选择不是很关键。 如果在初始优化期间成本函数增加,则可能是该参数值过高。
learning_rate float, default:200.0, 学习率,建议取值为10.0-1000.0
n_iter int, default:1000, 最大迭代次数
n_iter_without_progress int, default:300, 另一种形式的最大迭代次数,必须是50的倍数
min_grad_norm float, default:1e-7, 如果梯度低于该值,则停止算法
metric string or callable, 精确度的计量方式
init string or numpy array, default:”random”, 可以是’random’, ‘pca’或者一个numpy数组(shape=(n_samples, n_components)。
verbose int, default:0, 训练过程是否可视
random_state int, RandomState instance or None, default:None,控制随机数的生成
method string, default:’barnes_hut’, 对于大数据集用默认值,对于小数据集用’exact’
angle float, default:0.5, 只有method='barnes_hut'时可用

attributes description
embedding_ 嵌入向量
kl_divergence 最后的KL散度
n_iter_ 迭代的次数

Methods description
fit 将X投影到一个嵌入空间
fit_transform 将X投影到一个嵌入空间并返回转换结果
get_params 获取t-SNE的参数
set_params 设置t-SNE的参数

实例

Hello World

一个简单的例子,输入4个3维的数据,然后通过t-SNE降维称2维的数据。

import numpy as np
from sklearn.manifold import TSNE
X = np.array([[0, 0, 0], [0, 1, 1], [1, 0, 1], [1, 1, 1]])
tsne = TSNE(n_components=2)
tsne.fit_transform(X)
print(tsne.embedding_)
'''输出
[[   3.17274952 -186.43092346]
 [  43.70787048 -283.6920166 ]
 [ 100.43157196 -145.89025879]
 [ 140.96669006 -243.15138245]]'

S曲线的降维与可视化
S曲线上的数据是高维的数据,其中不同颜色表示数据的不同类别。当我们通过t-SNE嵌入到二维空间中后,可以看到数据点之间的类别信息完美的保留了下来

# coding='utf-8'
"""# 一个对S曲线数据集上进行各种降维的说明。"""
from time import time

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from matplotlib.ticker import NullFormatter

from sklearn import manifold, datasets

# # Next line to silence pyflakes. This import is needed.
# Axes3D

n_points = 1000
# X是一个(1000, 3)的2维数据,color是一个(1000,)的1维数据
X, color = datasets.samples_generator.make_s_curve(n_points, random_state=0)
n_neighbors = 10
n_components = 2

fig = plt.figure(figsize=(8, 8))
# 创建了一个figure,标题为"Manifold Learning with 1000 points, 10 neighbors"
plt.suptitle("Manifold Learning with %i points, %i neighbors"
             % (1000, n_neighbors), fontsize=14)


'''绘制S曲线的3D图像'''
ax = fig.add_subplot(211, projection='3d')
ax.scatter(X[:, 0], X[:, 1], X[:, 2], c=color, cmap=plt.cm.Spectral)
ax.view_init(4, -72)  # 初始化视角

'''t-SNE'''
t0 = time()
tsne = manifold.TSNE(n_components=n_components, init='pca', random_state=0)
Y = tsne.fit_transform(X)  # 转换后的输出
t1 = time()
print("t-SNE: %.2g sec" % (t1 - t0))  # 算法用时
ax = fig.add_subplot(2, 1, 2)
plt.scatter(Y[:, 0], Y[:, 1], c=color, cmap=plt.cm.Spectral)
plt.title("t-SNE (%.2g sec)" % (t1 - t0))
ax.xaxis.set_major_formatter(NullFormatter())  # 设置标签显示格式为空
ax.yaxis.set_major_formatter(NullFormatter())
# plt.axis('tight')

plt.show()

sklearn中tsne可视化

手写数字的降维可视化

这里的手写数字数据集是一堆8*8的数组,每一个数组都代表着一个手写数字。如下图所示。

# coding='utf-8'
"""t-SNE对手写数字进行可视化"""
from time import time
import numpy as np
import matplotlib.pyplot as plt

from sklearn import datasets
from sklearn.manifold import TSNE


def get_data():
    digits = datasets.load_digits(n_class=6)
    data = digits.data
    label = digits.target
    n_samples, n_features = data.shape
    return data, label, n_samples, n_features


def plot_embedding(data, label, title):
    x_min, x_max = np.min(data, 0), np.max(data, 0)
    data = (data - x_min) / (x_max - x_min)

    fig = plt.figure()
    ax = plt.subplot(111)
    for i in range(data.shape[0]):
        plt.text(data[i, 0], data[i, 1], str(label[i]),
                 color=plt.cm.Set1(label[i] / 10.),
                 fontdict={'weight': 'bold', 'size': 9})
    plt.xticks([])
    plt.yticks([])
    plt.title(title)
    return fig


def main():
    data, label, n_samples, n_features = get_data()
    print('Computing t-SNE embedding')
    tsne = TSNE(n_components=2, init='pca', random_state=0)
    t0 = time()
    result = tsne.fit_transform(data)
    fig = plot_embedding(result, label,
                         't-SNE embedding of the digits (time %.2fs)'
                         % (time() - t0))
    plt.show(fig)


if __name__ == '__main__':
    main()

结果如下所示
sklearn中tsne可视化

正文完
请博主喝杯咖啡吧!
post-qrcode
 3
admin
版权声明:本站原创文章,由 admin 2018-06-16发表,共计5311字。
转载说明:除特殊说明外本站文章皆由CC-4.0协议发布,转载请注明出处。
评论(6 条评论)
验证码
gingko 评论达人 LV.1
2020-02-07 16:56:24 回复

datasets.samples_generator.make_s_curve(n_points, random_state=0),这里不需要samples_generator了

 Windows  Chrome  中国湖南省益阳市电信
    admin 博主
    2020-02-23 20:44:11 回复

    @gingko 嗯,刚去看了下0.22版本的sklearn api 中的确不需要中间的sample_generrator了

     Windows  Chrome  中国广东省深圳市联通
      cola666888 评论达人 LV.1
      2020-04-20 20:50:27 回复

      @admin 博主大神您好,针对您给出的手写数字降维可视化有问题想请教您,方便留一个联系方式吗?我的qq:1104580926 !万分感谢!

       Windows  Chrome  中国吉林省吉林市联通
        admin 博主
        2020-04-21 06:59:53 回复

        @cola666888 已经加你qq了私聊

         Android  Chrome  中国广东省肇庆市电信
cola666888 评论达人 LV.1
2020-04-20 21:03:03 回复

我想做一个sklearn中tsne可视化有关主题topic个数的簇,具体topic对应的数据条数如下,(我的理解是数据条数有几条就出现几个点,比如topic 0有144条数据,那么topic 0的簇团以红色为例周围应该是144个红点,同理,topic1黄色,周围164个黄点,以此类推。)我根据大神您给的手写数字降维可视化例子自己没调整出来 :sad: 麻烦您给个代码!帮我实现7个颜色的topic 数量簇展示,每个团簇的命名就是topic0-6即可。不胜感激!跪求大神!!!跪谢大神!!!
topic 0 144
topic 1 164
topic 2 176
topic 3 136
topic 4 139
topic 5 121
topic 6 136

 Windows  Chrome  中国吉林省吉林市联通
    admin 博主
    2020-04-21 06:59:30 回复

    @cola666888 这个应该比较好做,构建数据记录topic的索引然后在绘图的时候加上去即可

     Android  Chrome  中国广东省肇庆市电信