可视化利器 t-SNE（matlab）——用于高维数据的自动降维和绘图

• t-SNE – Laurens van der Maaten（感谢学术男神们的无私开源）
• User_guide.pdf（用户指南）

1. tsne 函数

mappedX = tsne(X, labels, no_dims, init_dims, perplexity)

• 最新的matlab（实测的是2017b） 已经集成了 tsne

• tsne 是无监督降维技术，labels 选项可选；
• X是由N 个样本组成的二维矩阵，每个样本由 D 维数据构成（N行D列）；
• no_dims 的默认值为 2；（压缩后的维度） 
  • tsne 函数实现，X∈RN×D⇒RN×no_dimesX∈RN×D⇒RN×no_dimes（mappedX）
• init_dims：注意，在运行 tsne 函数之前，会自动使用 PCA 对数据预处理，将原始样本集的维度降低至 init_dims 维度（默认为 30）。因此用户可以自行设置一下init-dims的数量。或者提前使用matlab中的PCA检测一下哪个维度能够保持你的样本数据的正确率。
• perplexity：高斯分布的perplexity，默认为 30； 此参数不了解，但是教程中说，越是高密度的样本，其值越大。一般推荐5-50

2.Plot results 输出结果

gscatter(mappedX(:,1), mappedX(:,2), train_labels);

在1中如果最后生成的 init_dims==2即二维数据，则可以利用gscatter画出二维的聚类图。

第一个参数为横坐标，即t-SNE生成的第一列；第二个参数是纵坐标；第三个参数是类型（标签）。

不适用标签时，第三个参数不要写，此时绘制的图形是单色的。

标签的个数要求与元素的个数N相同，标签的类别可以任意多个（m << N）,t-SNE会自动为每个标签生成一种颜色。

 

版权声明：本文为转自博主 Zhang's Wikipedia 的原创文章。 https://blog.csdn.net/lanchunhui/article/details/53342899