machine-learning - 如何使用 sklearn 中的 isomap 进行高维空间降维

Question

我需要有关如何使用 sklearn 中的 isomap 对 numpy 数组中定义的高维空间进行降维的示例。

Answer 1

从 sklearn 加载数字样本数据集:

from sklearn.datasets import load_digits
digits = load_digits()
print(digits.images.shape) # Result: (1797, 8, 8). 1797 images, 8x8 dimensions
print(digits.data.shape)   # Result: (1797, 64)

所以我们有 64 维的数据。

使用 sklearn 中的 isomap 来降低 2 的维度

from sklearn.manifold import Isomap
iso = Isomap(n_components=2)
iso.fit(digits.data)
data_projected = iso.transform(digits.data)
data_projected.shape  # Result: (1797, 2)

投影数据现在是二维的。我们可以绘制这些数据以将其可视化:

plt.scatter(data_projected[:, 0], data_projected[:, 1], c=digits.target,
            edgecolor='none', alpha=0.5,
            cmap=plt.cm.get_cmap('spectral', 10))
plt.colorbar(label='digit label', ticks=range(10))
plt.clim(-0.5, 9.5);