sklearn 特征降维利器(PCA 和TSNE)
2018-05-23 00:40
260 查看
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/hxcaifly/article/details/80414009
同为降维工具,二者的主要区别在于:
1.所在的包不同(也即机制和原理不同)
- from sklearn.decomposition import PCA
- from sklearn.manifold import TSNE
2.因为原理不同,导致,tsne 保留下的属性信息,更具代表性,也即最能体现样本间的差异;
3.TSNE 运行极慢,PCA 则相对较快;
因此更为一般的处理,尤其在展示(可视化)高维数据时,常常先用 PCA 进行降维,再使用 tsne:
data_pca = PCA(n_components=50).fit_transform(data) data_pca_tsne = TSNE(n_components=2).fit_transform(data_pca)阅读更多
相关文章推荐
- sklearn 特征降维利器 —— PCA & TSNE
- 数据降维处理:PCA之特征值分解法例子解析
- Python 之 sklearn 实现 PCA 降维
- PCA特征降维
- PCA降维以及Kmeans聚类实例----python,sklearn,PCA,Kmeans
- 【降维】之sklearn中PCA库讲解与实战
- 机器学习(28)【降维】之sklearn中PCA库讲解与实战
- 使用PCA对特征数据进行降维
- PCA降维与特征选取的区别
- 特征降维——PCA
- 数据挖掘—LDA,PCA特征提取降维与SVM多分类在人脸识别中的应用-数据集ORL
- 特征降维-PCA(Principal Component Analysis)
- deep learning PCA(主成分分析)、主份重构、特征降维
- 特征降维-PCA(Principal Component Analysis)
- 特征降维之PCA
- 特征降维-PCA(Principal Component Analysis)
- sklearn-学习:Dimensionality reduction(降维)-(feature selection)特征选择
- Python 之 sklearn 实现 PCA 降维
- 『 特征降维』PCA原理-Principal Component Analysis
- opencv笔记(9):特征降维-PCA