tsne

基于TensorFlow理解三大降维技术：PCA、t-SNE 和自编码器

代码地址：https://github.com/eliorc/Medium/blob/master/PCA-tSNE-AE.ipynb在这篇文章中，我将尽我所能揭秘
c2a2o2·2020-07-01 19:48

安装SMRLR

SMRLR,一个降维可视化方法，在tSNE的基础上，添加了相似度的计算，使降维后异类样本间距离更大。
Chang_Lu·2020-06-30 11:10

探索seurat包

创建对象和基本操作1）检查数据2）创建对象3）查看对象内容4）调用对象内容5）向对象插入内容6）可视化对象内容3.归一化4.挑选高变异基因5.标准化及去除混杂因素影响6.降维1）PCA2）UMAP3）tSNE7
hachi_dl·2020-06-29 15:01

图片分类比赛总结

因此，我决定使用t分布随机邻域嵌入（https://lvdmaaten.github.io/tsne/）可视化技术来查看图片的分布。t分布随机邻域嵌入（t—SNE）是
走投无路的乐乐·2020-06-27 04:42

【Python】基于sklearn构建并评价聚类模型（ KMeans、TSNE降维、可视化、FMI评价法等）

本博客内容来源于：《Python数据分析与应用》第6章使用sklearn构建模型，【黄红梅、张良均主编中国工信出版集团和人民邮电出版社，侵请删】相关网站链接一、K-Means聚类函数初步学习与使用kmeans算法理解及代码实现k均值聚类算法（k-meansclusteringalgorithm）其算法思想大致为：先从样本集中随机选取k个样本作为簇中心，并计算所有样本与这k个“簇中心”的距离，对于每
Vivid-victory·2020-06-25 21:53

数据降维及可视化之TSNE理论及利用sklearn对digits数据集可视化实现python

今天来简单总结一下TSNE~SNE首先来说说SNE，全称为随机相邻嵌入（StochasticNeighborEmbedding），其将数据之间的高维的欧几里得距离转化为表示相似性的条件概率：数据点xjx_jxj
小白胖爱学习-·2020-06-24 11:33

tsne

简介t-SNE(t-distributedstochasticneighborembedding)是用于降维的一种机器学习算法，是由LaurensvanderMaaten和GeoffreyHinton在08年提出来。此外，t-SNE是一种非线性降维算法，非常适用于高维数据降维到2维或者3维，进行可视化。t-SNE是由SNE(StochasticNeighborEmbedding,SNE;Hinto
AI_future·2020-06-21 16:32

单细胞分析常见问题

Q1：画图时，tsne和umap，我该选择哪个比较好？很多客户问到过这个问题，我们也在现场问过10X的技术人员。
静小沐·2020-05-28 14:36

单细胞转录组数据分析||Seurat3教程: 自定义降维方法MDS

基于此，Seurat提供了不少降维的方法：主要是PCA,TSNE,UMAP三种，其实降维方法何其的多：那么，我们如果想对我们的数据应用其他降维方法，我们需要如何操作呢？
周运来就是我·2020-05-09 00:01

NLP实战 特征工程+神经网络

半自动特征构建连续变量离散化半自动特征构建EntityEmbedding半自动特征构建连续变量的转换半自动特征构建缺失值变量和异常值的处理自动特征构建Symboliclearning和AutoCross降维方法PCA、NMF、tSNE
Sanshierli_·2020-05-08 18:18

数据降维和特征筛选的区别

pca和tsne都是特征降维的方法，但是降维出来的结果没有实际意义。而通过特征筛选的方式选择出来的特征有实际的意义。
美环花子若野·2020-04-11 08:04

tSNE和UMAP的区别

首先，在高维空间内，描述两个点（两个细胞）的距离不一样，tSNE采取的是“概率算法”，即把两个点的距离转换成概率，若i与j这两个点距离比较近的话，它所对应的概率较大；而UMAP采取的是传统的欧式距
小潤澤·2020-04-08 22:31

python代码实现TSNE降维数据可视化教程

TSNE降维降维就是用2维或3维表示多维数据（彼此具有相关性的多个特征数据）的技术，利用降维算法，可以显式地表现数据。（t-SNE）t分布随机邻域嵌入是一种用于探索高维数据的非线性降维算法。
WANG_DDD·2020-02-28 11:40

10xGenomics单细胞转录组TSNE图+等高线

需求  最近在看一篇2018年science肾脏细胞癌文献的时候，发现一张比较好看的TSNE图，上面的每个聚类中有等高线，觉得作者画的挺好看的，我们平时做10xGenomics单细胞转录组也挺多的，自己也想尝试一下
尧小飞·2020-02-01 23:01

图像检索（一）：因缘际会与前瞻

1kimages-example-tSNE-animals1k.
古柳_Deserts_X·2019-12-31 04:40

找出cluster的差异基因并进行GO和KEGG分析

单细胞测序数据经Seurat包tsne降维聚类后，得到cluster，如何找出cluster的marker并进行GO、KEGG分析需要R包：Seurat、clusterProfiler、ggplot2library
阿糖胞苷_SYSU·2019-12-07 01:57

PCA、LDA、MDS、LLE、TSNE等降维算法的Python实现

整理|夕颜出品|AI科技大本营（ID:rgznai100）【导读】网上关于各种降维算法的资料参差不齐，但大部分不提供源代码。近日，有人在GitHub上整理了一些经典降维算法的Demo(Python)集合，同时给出了参考资料的链接。PCA资料链接：https://blog.csdn.net/u013719780/article/details/78352262https://blog.csdn.ne
AI科技大本营·2019-10-14 14:43

PCA、LDA、MDS、LLE、TSNE等降维算法的Python实现

整理|夕颜出品|AI科技大本营（ID:rgznai100）【导读】网上关于各种降维算法的资料参差不齐，但大部分不提供源代码。近日，有人在GitHub上整理了一些经典降维算法的Demo(Python)集合，同时给出了参考资料的链接。PCA资料链接：https://blog.csdn.net/u013719780/article/details/78352262https://blog.csdn.ne
AI科技大本营·2019-10-14 14:43

在linux中用同一个版本的R 同时安装 Seurat2 和 Seurat3的教程

Seurat分析流程基本涵盖了单细胞分析中的所有常见分析方法，包括filtering，tSNE，UMAP降维及画图等。还有一个重量级功能就是矫正不同实验之间的批次效应。
何帅·2019-08-19 21:46

在linux中用同一个版本的R 同时安装 Seurat2 和 Seurat3

Seurat分析流程基本涵盖了单细胞分析中的所有常见分析方法，包括filtering，tSNE，UMAP降维及画图等。还有一个重量级功能就是矫正不同实验之间的批次效应。
何帅·2019-08-19 21:00

单细胞转录组学习笔记-8-聚类算法之PCA与tSNE

刘小泽写于19.7.5-第二单元第六讲：聚类算法之PCA与tSNE笔记目的：根据生信技能树的单细胞转录组课程探索smart-seq2技术相关的分析技术课程链接在：http://jm.grazy.cn/index
刘小泽·2019-07-07 10:35

TSNE/分析两个数据的分布

 使用sklearn.manifold的函数TSNE#coding=utf-8 importnumpyasnp importpicklefromsklearn.manifoldimportTSNE importmatplotlib
ZHO_95·2019-06-28 00:00

学习：tSNE—高维数据降维可视化（实践部分）-Kmeans聚类

复制链接1复制链接importpandasaspdcust_sale=pd.read_excel('C:/Users/XI/fzql.xls')cust_sale=pd.merge(temp1,temp2,on='CUST_ID',how='inner')cust_sale=cust_sale.dropna()cust_sale.head()importsklearn.preprocessinga
BruceCheen·2019-06-26 10:38

数据可视化--TSNE

观察迭代过程中神经网络提取的特征的数据分布情况，十类别+二维显示+图例+去除上边框、右边框+保存图片安装包：importnumpyasnpimportmatplotlibimportmatplotlib.pyplotaspltmatplotlib.use('TkAgg')fromsklearn.manifoldimportTSNE画图程序：defplot_embedding(data,label,
FUCCKL·2019-06-13 14:40

CannyLab/tsne-cuda with cuda-10.0

t-SNE-CUDABarnes-Hutt-SNEhttps://github.com/CannyLab/tsne-cuda/projects做数据降维时常用到，但计算较慢，所以可用cuda加速用源码编译时
衣奎德·2019-04-18 17:00

可视化词向量-TSNE

可视化词向量的好处是可以验证训练的词向量的效果，常采用TSNE方法可视化。t-分布领域嵌入算法，它只用于已标注数据时才真正有意义，可以明确显示出输入的聚类状况。
Class_guy·2019-04-04 10:04

可视化词向量-TSNE

可视化词向量的好处是可以验证训练的词向量的效果，常采用TSNE方法可视化。t-分布领域嵌入算法，它只用于已标注数据时才真正有意义，可以明确显示出输入的聚类状况。
Class_guy·2019-04-04 10:04

TSNE高维向量降维3D可视化

TSNE和PCA两种方法都可以实现高维向量可视化，两者原理不同，速度也差很多，TSNE会慢一些。这里主要还是用到了python里的matplotlib库进行图形绘制，就用最简单的MNIST来做说明吧。
HelloWorld1108·2019-03-23 11:04

【python】降维与数据聚类之 TSNE

计算机可以处理任意多维的数据集，但我们人类认知只局限于3维空间，计算机依然需要我们，所以需要通过一些方法有效的可视化高维数据。通过观察现实世界的数据集发现其存在一些较低的本征维度，同时，尽可能多地保持高维数据的重要特征。1.问题转换在高维空间相似的数据点，映射到低维空间距离也是相似的。常规的做法是用欧式距离表示这种相似性，而SNE把这种距离关系转换为一种条件概率来表示相似性，即利用两点的条件概率来
CallMeJacky·2019-03-05 13:15

TSNE

1.流形学习的概念流形学习方法(ManifoldLearning)，简称流形学习，自2000年在著名的科学杂志《Science》被首次提出以来，已成为信息科学领域的研究热点。在理论和应用上，流形学习方法都具有重要的研究意义。假设数据是均匀采样于一个高维欧氏空间中的低维流形，流形学习就是从高维采样数据中恢复低维流形结构，即找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数约简或者数据可视化。
shelley__huang·2019-02-18 11:29

matplotlib sklearn数据降维可视化

matplotlibsklearn数据降维可视化使用说明具体见官方的文档https://scikit-learn.org/stable/modules/generated/sklearn.manifold.TSNE.html
请叫我西木同学·2018-12-15 16:34

t-SNE及pytorch实现

概述tSNE是一个很流行的降维可视化方法，能在二维平面上把原高维空间数据的自然聚集表现的很好。这里学习下原始论文，然后给出pytoch实现。
leida_wt·2018-12-13 21:22

python代码实现TSNE降维数据可视化

TSNE降维降维就是用2维或3维表示多维数据（彼此具有相关性的多个特征数据）的技术，利用降维算法，可以显式地表现数据。（t-SNE）t分布随机邻域嵌入是一种用于探索高维数据的非线性降维算法。
WANG_DDD·2018-11-30 12:16

DL4J中文文档/调优与训练/可视化

内容用DL4JUI可视化网络训练DL4JUI：概述DL4JUI：模型DL4JUI与Spark训练使用DL4JUI调整你的网络TSNE与Word2Vec修复UI问题：“Noconfigurationsetting
bewithme·2018-11-19 16:30

非监督学习之PCA降维&流行学习TSNE

作者：徐莹1.PCA简介使用非监督学习的方式进行数据变换有非常广泛的用途。最常见的目的就是对数据进行可视化，将数据进行压缩并为进一步处理得到一个更有效的数据表示。这其中最有效使用最广泛的技术要数PCA（PrincipalComponentAnalysis）了。主成分分析（PCA）是一种以某种方式旋转数据集的方法，使得旋转特征在统计学上不相关。这种旋转通常是根据它们能够解释数据的能力的重要性来选择新
Insightzen_xian·2018-08-31 23:12

数据建模-聚类分析-K-Means算法 --聚类可视化工具TSNE

使用TSNE口可视化工具显示数据建模-聚类分析-K-Means算法#-*-coding:utf-8-*-importsysreload(sys)sys.setdefaultencoding('utf-8
灰兔子-刘·2018-08-18 16:11

推荐系统初学者系列（7）-- Surprise库做Top-K推荐

七月在线视频推荐：七月在线上一篇：推荐系统初学者系列（6）--TSNE下一篇：推荐系统初学者系列（8）--GraphEmbedding（网络嵌入表示）做Top-K推荐引言：为什么工业界不用优化评分预测而转为优化排序列表啦
bllddee·2018-06-23 21:04

推荐系统初学者系列（7）-- Surprise库做Top-K推荐

七月在线视频推荐：七月在线上一篇：推荐系统初学者系列（6）--TSNE下一篇：推荐系统初学者系列（8）--GraphEmbedding（网络嵌入表示）做Top-K推荐引言：为什么工业界不用优化评分预测而转为优化排序列表啦
bllddee·2018-06-23 21:04

推荐系统初学者系列（6）-- TSNE

上一篇：推荐系统初学者系列（5）–混合推荐机制下一篇：推荐系统初学者系列（7）–Surprise库做Top-K推荐介绍许多数据科学家经常面对的问题之一：假设有一个包含数百个特征（变量）的数据集，且对数据所属的域没有任何了解，需要对该数据集识别其隐藏状态、探索并分析。本文将介绍一种非常强大的方法来解决该问题。1什么是t-SNE（t-SNE）t分布随机邻域嵌入是一种用于探索高维数据的非线性降维算法。它
bllddee·2018-05-30 15:58

TSNE()参数解释+使用方法+莫烦tensorflow CNN/TSNE可视化

TSNE即t-distributedStochasticNeighborEmbedding.使用方法：tsne=TSNE(perplexity=30,n_components=2,init='pca',
curious_girl·2018-05-25 22:00

tensorflow MNIST autoencoder完整代码+tsne降维可视化

#来源于莫烦tensorflow视频中学习#-*-coding:utf-8-*-"""autoencodermnistcanrunningautoencoder自定义实现，未直接调用函数，显示autoencoder结果与原来真实输入数据的对比图"""#特色：可视化通过encoder最后一层神经元数目为2，将数据降维到2维，进行画点plt.scatter可视化#划分的不咋开#importpackag
curious_girl·2018-05-25 21:16

推荐系统初学者系列（5）-- 混合推荐机制

七月在线视频推荐：七月在线上一篇：推荐系统初学者系列（4）--一篇长文教你学会推荐系统的矩阵分解下一篇：推荐系统初学者系列（6）--TSNE目录文章目录@[toc]混合推荐机制混合推荐机制的应用混合推荐机制在现行的
bllddee·2018-05-13 10:01

推荐系统初学者系列（5）-- 混合推荐机制

七月在线视频推荐：七月在线上一篇：推荐系统初学者系列（4）--一篇长文教你学会推荐系统的矩阵分解下一篇：推荐系统初学者系列（6）--TSNE目录文章目录@[toc]混合推荐机制混合推荐机制的应用混合推荐机制在现行的
bllddee·2018-05-13 10:01

tSNE

t-SNE简介t-SNE(t-distributedstochasticneighborembedding)是用于降维的一种机器学习算法，是由LaurensvanderMaaten和GeoffreyHinton在08年提出来。此外，t-SNE是一种非线性降维算法，非常适用于高维数据降维到2维或者3维，进行可视化。t-SNE是由SNE(StochasticNeighborEmbedding,SNE;
Flyingzhan·2018-03-11 23:21

【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，目前最多使用向量表达形式。y是数据点映射后的低维向量表达，通常y的维度小于x的维度（当然提高维度也是可以的）。f可能是显式的或隐式的、线性的或非线性的。目前大部分降维算法处理向量表达的数据，也有一些降维算法处理高阶张量表达的数据。之所以使用
CWS_chen·2018-01-22 14:34

第十课 tensorflow 实现word2vec

精简版本，去掉了各种tsne以及vector可视化的麻烦，直接看到word2vec的训练过程对文本进行预处理也就是将每一个单词转换成一个数字序号，同时将低频词过滤掉，统一使用UKN来代替.importcollectionsimporttensorflowastfdefpre_process
cjopengler·2017-10-10 10:12

LargeVis可视化技术学习

前面有很多基础理论，如基本的降维理论，SNE，t-SNE可视化算法等，这些一概略过，想关注理论的可以参考网址：https://bindog.github.io/blog/2016/06/04/from-sne-to-tsne-to-largevis
sparkexpert·2017-04-25 11:03

Python 使用 tsne 降维

现在t-sne已经集成在sklearn里面了非常好用，下面是自己的一个降维可视化的例子。所需要的文件fdata大致如下12233234564576235ftarget大致如下1124这样就可以使用了【其实就是要符合numpyloadtxt的数据格式】#!/usr/bin/python#encoding=utf-8#-*-coding:utf-8-*#切换工作路径importosimportsyso
长虹剑·2017-03-27 22:04

Python 使用 tsne 降维

现在t-sne已经集成在sklearn里面了非常好用，下面是自己的一个降维可视化的例子。所需要的文件fdata大致如下12233234564576235ftarget大致如下1124这样就可以使用了【其实就是要符合numpyloadtxt的数据格式】#!/usr/bin/python#encoding=utf-8#-*-coding:utf-8-*#切换工作路径importosimportsyso
长虹剑·2017-03-27 22:04

RBM的形象理解

其实是将数据的信息量进行了压缩，分别将可视层与隐藏层的数据使用TSNE压缩到3维空间可视化，发现原数据集是聚集在一起的，经过RBM抽象后数据集分堆（拉近了相似的距离，变远了不相似的距离）的存在了。
wtq1993·2016-05-19 11:00
上一页 1 2 3 4 5 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他