sklearn 特征降维利器 —— PCA & TSNE
2024-10-01 23:30:01
同为降维工具,二者的主要区别在于,
- 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
- 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;
- 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)
最新文章
- SQL Server数据库性能优化之SQL语句篇【转】
- shared_ptr:资源管理利器
- PHP审计小记
- mysql 函数(一)
- js中的hasOwnProperty()和isPrototypeOf()
- json 和 pickel 详解
- UVA Knight Moves
- [Git]更新远程代码到本地仓库
- VS2010/MFC对话框:颜色对话框
- Muduo 网络编程示例之零:前言
- struts2--配置文件中使用通配符
- 学习日记之命令模式和Effective C++
- mysql学习之权限管理
- Linux系统时间, 硬件BIOS时间的校准与同步
- JAVA写接口傻瓜($)教程(三)
- python之路--MRO和C3算法
- genymotion和adb的解决方法
- 牛客网NOIP赛前集训营-提高组(第四场)游记
- Dubbo创建提供者&;消费者工程
- text-overflow样式属性值ellipsis的用法