维度降低是机器学习和数据分析中的至关重要技术。 它将高维数据转换为较低维的表示，并保留基本信息。 具有许多功能的高维数据集对机器学习模型构成了挑战。本教程探讨了使用降低尺寸降低，各种技术及其在图像数据的应用的原因。 我们将可视化结果并比较较低维空间中的图像。
为了全面了解机器学习，请考虑“成为Python的机器学习科学家”职业曲目。
为什么减少尺寸？
降低降低技术被归类为线性或非线性：
主体组件分析（PCA）：识别方向（主要组件）最大化数据方差。
t-sne（t分布的随机邻居嵌入）：在保留局部关系的同时，在较低维度（2D或3D）中可视化高维数据。 有关详细信息，请参见我们的T-SNE指南。
>特征选择：在不转换数据的情况下选择最相关的功能。方法包括过滤器，包装器和嵌入式方法。
>> 特征提取：>通过创建原始图的组合来将数据转换为较低维空间。 当原始功能相关或冗余时，这很有用。 PCA，LDA和非线性方法属于此类别。
> 图像数据>让我们使用Python将维度降低到图像数据集：
1。数据集加载：
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)这将加载数字数据集（手写数字0-9，每个8x8像素，平坦至64个功能）。
2。可视化图像：
def plot_digits(images, labels, n_rows=2, n_cols=5):
# ... (plotting code as before) ...此功能显示示例图像。
3。应用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)这可以缩放数据，选择一个子集以提高效率，并应用T-SNE以降低2个维度。
4。可视化T-SNE输出：
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。比较图像：
import random idx1, idx2 = random.sample(range(X_tsne.shape[0]), 2) # ... (distance calculation and image plotting code as before) ...
结论
公共尺寸缩小技术：
以上是了解降低维度的详细内容。更多信息请关注PHP中文网其他相关文章！
