主要内容
tsne
t分布随机邻居嵌入
描述
例子
可视化Fisher虹膜数据
Fisher虹膜数据集有虹膜的四维测量，以及相应的物种分类。通过使用减少维度来可视化该数据tsne．
负载fisheririsrng默认的%的再现性Y = tsne(量);gscatter (Y (: 1), Y(:, 2),物种)
比较距离度量
在Fisher虹膜数据中，使用不同的距离度量来尝试获得更好的物种分离。
负载fisheririsrng (“默认”）%的再现性Y = tsne(量,“算法”，“准确”，“距离”，“mahalanobis”）;次要情节(2,2,1)gscatter (Y (: 1), Y(:, 2),物种)标题(“Mahalanobis”)提高(“默认”）为了公平比较Y = tsne(量,“算法”，“准确”，“距离”，的余弦）;次要情节(2 2 2)gscatter (Y (: 1), Y(:, 2),物种)标题(的余弦)提高(“默认”）为了公平比较Y = tsne(量,“算法”，“准确”，“距离”，“chebychev”）;次要情节(2,2,3)gscatter (Y (: 1), Y(:, 2),物种)标题(“Chebychev”)提高(“默认”）为了公平比较Y = tsne(量,“算法”，“准确”，“距离”，“欧几里得”）;次要情节(2,2,4)gscatter (Y (: 1), Y(:, 2),物种)标题(“欧几里得”）
在这种情况下，余弦、切比切夫和欧几里得距离度量给出了相当好的簇分离。但是马氏距离度量并没有给出很好的分离。
阴谋的结果南输入数据
tsne删除包含任意南条目。因此，在绘制绘图之前，必须从分类数据中删除任何此类行。
例如，将Fisher虹膜数据中的一些随机条目更改为南．
负载fisheririsrng默认的%的再现性meas(rand(size(meas)) < 0.05) = NaN;
使用。将四维数据嵌入二维tsne．
Y = tsne(量,“算法”，“准确”）;
警告:在X或'InitialY'值中NaN缺失值的行将被删除。
确定从嵌入中删除了多少行。
长度(物种)长度(Y)
ans = 22
通过定位的行来绘制结果量没有南值。
goodrows =没有(任何(isnan(量),2));
仅使用的行绘制结果物种对应的是量没有南值。
gscatter (Y (: 1), Y(:, 2),物种(goodrows))
比较t-SNE损失
找到费雪虹膜数据的二维和三维嵌入，并比较每个嵌入的损失。3-D嵌入的损失可能更小，因为这种嵌入有更多的自由来匹配原始数据。
负载fisheririsrng默认的%的再现性(Y,亏损)= tsne(量,“算法”，“准确”）;rng默认的为了公平比较(Y2, loss2) = tsne(量,“算法”，“准确”，“NumDimensions”3);流('2-D嵌入损失%g, 3-D嵌入损失%g.\n'、损失、loss2)
二维嵌入损失0.124191，三维嵌入损失0.0990884。
正如预期的那样，三维嵌入具有更低的损耗。
查看嵌入。使用RGB颜色(1 0 0)，(0 1 0),(0 0 1)．
对于3-D图，使用分类命令，然后使用稀疏的函数如下。如果v一个正整数1,2，或3的向量，对应物种数据，然后命令
稀疏(1:元素个数(v), v, 1(大小(v)))
为稀疏矩阵，其行为物种的RGB颜色。
gscatter (Y (: 1), Y(:, 2),物种,眼(3))标题(“二维嵌入”）
图v =双(属(种));c =全(稀疏(1:元素个数(v), v,(大小(v))的元素个数(v), 3));scatter3 (Y2 (:, 1), Y2 (:, 2), Y2(:, 3), 15日,c,“填充”)标题(“3 d嵌入”)视图(-50 8)
输入参数
输出参数
更多关于
算法
tsne在低维空间中构造一组嵌入点，这些嵌入点的相对相似性模仿原始高维点的相对相似性。嵌入点表示原始数据中的聚类。
粗略地说，该算法将原始点建模为来自高斯分布，并将嵌入点建模为来自学生的分布t分布。该算法试图通过移动嵌入点来最小化这两个分布之间的Kullback-Leibler散度。
有关详细信息,请参见t-SNE．
介绍了R2017a
你也可以从以下列表中选择一个网站:
