維度降低是機器學習和數據分析中的至關重要技術。 它將高維數據轉換為較低維的表示，並保留基本信息。 具有許多功能的高維數據集對機器學習模型構成了挑戰。本教程探討了使用降低尺寸降低，各種技術及其在圖像數據的應用的原因。 我們將可視化結果並比較較低維空間中的圖像。
為了全面了解機器學習，請考慮“成為Python的機器學習科學家”職業曲目。
為什麼減少尺寸？
降低降低技術被歸類為線性或非線性：
主體組件分析（PCA）：識別方向（主要組件）最大化數據方差。
t-sne（t分佈的隨機鄰居嵌入）：在保留局部關係的同時，在較低維度（2D或3D）中可視化高維數據。 有關詳細信息，請參見我們的T-SNE指南。
>特徵選擇：在不轉換數據的情況下選擇最相關的功能。方法包括過濾器，包裝器和嵌入式方法。
>> 特徵提取：>通過創建原始圖的組合來將數據轉換為較低維空間。 當原始功能相關或冗餘時，這很有用。 PCA，LDA和非線性方法屬於此類別。
> 圖像數據>讓我們使用Python將維度降低到圖像數據集：
1。數據集加載：
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_digits
from sklearn.manifold import TSNE
from sklearn.preprocessing import StandardScaler
digits = load_digits()
X = digits.data # (1797, 64)
y = digits.target # (1797,)
print("Data shape:", X.shape)
print("Labels shape:", y.shape)這將加載數字數據集（手寫數字0-9，每個8x8像素，平坦至64個功能）。
2。可視化圖像：
def plot_digits(images, labels, n_rows=2, n_cols=5):
# ... (plotting code as before) ...此功能顯示示例圖像。
3。應用T-SNE：
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
n_samples = 500
X_sub = X_scaled[:n_samples]
y_sub = y[:n_samples]
tsne = TSNE(n_components=2, perplexity=30, n_iter=1000, random_state=42)
X_tsne = tsne.fit_transform(X_sub)
print("t-SNE result shape:", X_tsne.shape)這可以縮放數據，選擇一個子集以提高效率，並應用T-SNE以降低2個維度。
4。可視化T-SNE輸出：
plt.figure(figsize=(8, 6))
scatter = plt.scatter(X_tsne[:, 0], X_tsne[:, 1], c=y_sub, cmap='jet', alpha=0.7)
plt.colorbar(scatter, label='Digit Label')
plt.title('t-SNE (2D) of Digits Dataset (500-sample)')
plt.show()
5。比較圖像：
import random idx1, idx2 = random.sample(range(X_tsne.shape[0]), 2) # ... (distance calculation and image plotting code as before) ...
結論
公共尺寸縮小技術：
以上是了解降低維度的詳細內容。更多資訊請關注PHP中文網其他相關文章！
