机器学习—降维-特征选择6-6（局部线性嵌入法/流形降维）
使用局部线性嵌入法（流形降维）对瑞士卷数据集降维
主要步骤流程：
- 1. 导入包
- 2. 生成瑞士卷数据集
- 3. 可视化瑞士卷数据集
- 4. 不同自变量个数对应的重建误差
- 5. 可视化LLE降维效果
1. 导入包
In [1]:
# 导入包
import numpy as np
import matplotlib.pyplot as plt
2. 生成瑞士卷数据集
In [2]:
# 生成瑞士卷数据集
from sklearn import datasets
swiss_roll_dataset =datasets.make_swiss_roll(n_samples=1000)
x = swiss_roll_dataset[0]
y = np.floor(swiss_roll_dataset[1])
print(x.shape)
In [3]:
print(y.shape)
In [5]:
y
Out[5]:
array([12., 7., 8., 8., 5., 9., 8., 12., 7., 10., 12., 13., 10.,
9., 6., 10., 5., 12., 8., 5., 12., 6., 11., 5., 6., 10.,
5., 10., 7., 5., 10., 12., 12., 4., 5., 8., 5., 9., 11.,
9., 13., 12., 13., 12., 12., 6., 9., 7., 5., 13., 7., 7.,
12., 11., 8., 6., 5., 8., 13., 13., 5., 6., 8., 11., 10.,
9., 13., 5., 10., 8., 4., 9., 10., 5., 6., 6., 10., 7.,
10., 5., 10., 6., 8., 11., 9., 9., 7., 7., 8., 11., 6.,
10., 10., 9., 10., 12., 9., 5., 12., 9., 10., 8., 12., 9.,
8., 4., 10., 6., 12., 5., 6., 12., 6., 5., 12., 12., 12.,
12., 9., 5., 5., 12., 4., 5., 13., 9., 13., 11., 5., 12.,
9., 13., 5., 7., 11., 10., 5., 11., 13., 5., 7., 9., 8.,
9., 9., 13., 13., 13., 6., 9., 12., 13., 12., 5., 10., 8.,
7., 9., 8., 12., 6., 12., 13., 9., 6., 9., 11., 8., 7.,
8., 5., 4., 7., 11., 8., 12., 8., 5., 5., 6., 5., 10.,
7., 7., 9., 5., 6., 4., 11., 9., 7., 8., 9., 13., 10.,
9., 9., 6., 7., 12., 5., 6., 8., 5., 11., 14., 11., 6.,
11., 5., 6., 8., 12., 5., 7., 13., 6., 6., 7., 5., 10.,
5., 7., 8., 10., 5., 7., 5., 12., 13., 10., 11., 7., 6.,
9., 6., 9., 9., 11., 10., 6., 9., 12., 4., 12., 12., 9.,
4., 6., 11., 5., 9., 13., 12., 8., 11., 10., 5., 8., 10.,
9., 10., 9., 8., 10., 6., 9., 12., 10., 12., 6., 9., 5.,
4., 9., 12., 11., 14., 10., 7., 12., 10., 7., 12., 8., 10.,
12., 9., 7., 8., 10., 10., 12., 6., 10., 9., 13., 8., 5.,
11., 11., 4., 11., 5., 9., 5., 8., 7., 7., 11., 8., 10.,
13., 6., 8., 5., 9., 13., 7., 9., 11., 7., 7., 9., 13.,
5., 11., 10., 12., 6., 13., 5., 11., 9., 5., 8., 12., 10.,
7., 7., 10., 6., 12., 7., 9., 9., 7., 12., 8., 6., 9.,
13., 8., 13., 9., 6., 8., 11., 9., 10., 4., 4., 7., 12.,
8., 6., 4., 13., 12., 11., 11., 11., 12., 10., 13., 10., 7.,
6., 8., 11., 7., 8., 7., 12., 9., 7., 7., 12., 11., 7.,
13., 4., 11., 12., 6., 13., 4., 10., 9., 9., 12., 5., 9.,
11., 7., 9., 8., 10., 13., 4., 9., 5., 5., 10., 6., 10.,
11., 11., 5., 6., 8., 8., 5., 7., 9., 8., 8., 11., 11.,
6., 14., 8., 4., 8., 5., 9., 13., 8., 9., 10., 8., 13.,
13., 6., 7., 8., 9., 13., 11., 12., 13., 7., 8., 8., 5.,
13., 12., 8., 13., 7., 8., 5., 12., 8., 6., 6., 13., 8.,
6., 12., 12., 12., 10., 6., 9., 11., 6., 12., 8., 10., 12.,
4., 11., 9., 6., 13., 13., 5., 12., 7., 7., 12., 14., 14.,
7., 10., 7., 12., 8., 6., 14., 5., 8., 7., 13., 13., 4.,
7., 6., 10., 12., 5., 9., 7., 10., 10., 10., 10., 11., 11.,
14., 9., 6., 13., 11., 10., 7., 13., 12., 6., 9., 11., 6.,
11., 13., 11., 12., 4., 8., 12., 7., 5., 11., 5., 6., 5.,
13., 7., 12., 12., 12., 12., 12., 8., 13., 8., 4., 10., 5.,
10., 13., 6., 8., 11., 11., 7., 7., 7., 11., 13., 12., 13.,
10., 8., 7., 10., 7., 10., 11., 11., 11., 7., 11., 9., 6.,
13., 13., 7., 11., 9., 11., 6., 12., 9., 8., 12., 14., 10.,
8., 13., 9., 12., 12., 8., 11., 7., 8., 9., 5., 9., 9.,
8., 11., 12., 10., 9., 10., 10., 5., 6., 13., 12., 11., 10.,
13., 13., 8., 12., 10., 10., 13., 7., 8., 13., 12., 9., 10.,
8., 12., 13., 10., 13., 9., 9., 6., 8., 9., 9., 6., 9.,
11., 8., 12., 7., 7., 9., 7., 13., 12., 12., 12., 11., 6.,
10., 8., 5., 7., 5., 7., 13., 9., 8., 12., 6., 11., 12.,
6., 13., 12., 13., 11., 8., 5., 11., 8., 10., 13., 11., 10.,
5., 10., 5., 12., 7., 13., 6., 5., 11., 9., 13., 13., 10.,
9., 11., 10., 11., 8., 14., 13., 8., 8., 11., 6., 6., 10.,
7., 11., 11., 5., 10., 10., 11., 11., 7., 5., 6., 13., 6.,
8., 12., 10., 6., 7., 12., 8., 7., 8., 13., 12., 11., 9.,
10., 7., 8., 9., 13., 8., 8., 7., 5., 7., 12., 11., 6.,
10., 10., 10., 11., 11., 8., 6., 13., 7., 12., 8., 10., 5.,
7., 6., 13., 10., 12., 11., 12., 5., 9., 12., 7., 7., 9.,
13., 13., 8., 5., 10., 6., 6., 13., 5., 6., 13., 5., 7.,
6., 6., 9., 10., 6., 5., 4., 10., 12., 8., 7., 13., 12.,
12., 7., 13., 9., 11., 11., 7., 12., 10., 11., 9., 10., 6.,
6., 9., 6., 4., 9., 7., 8., 5., 10., 13., 10., 9., 5.,
9., 11., 6., 12., 5., 12., 10., 7., 5., 13., 12., 9., 12.,
6., 11., 12., 5., 7., 8., 12., 5., 9., 9., 11., 12., 10.,
12., 7., 8., 13., 6., 5., 6., 10., 5., 4., 7., 12., 11.,
6., 7., 8., 9., 7., 11., 10., 8., 10., 7., 11., 5., 12.,
12., 10., 8., 11., 11., 11., 6., 7., 5., 11., 12., 7., 9.,
11., 7., 8., 5., 11., 7., 8., 8., 11., 8., 5., 6., 11.,
7., 4., 9., 8., 9., 11., 12., 10., 7., 6., 8., 4., 6.,
12., 5., 12., 11., 7., 7., 10., 8., 7., 8., 13., 9., 10.,
11., 4., 9., 12., 9., 8., 5., 5., 12., 12., 9., 8., 8.,
5., 9., 5., 6., 10., 6., 8., 12., 13., 12., 14., 7., 7.,
7., 12., 8., 13., 4., 11., 11., 9., 10., 5., 6., 9., 9.,
4., 13., 9., 6., 9., 11., 10., 11., 9., 9., 11., 10., 11.,
10., 8., 6., 9., 11., 8., 9., 8., 12., 13., 12., 14.])
3. 可视化瑞士卷数据集
In [6]:
# 可视化瑞士卷数据集
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = Axes3D(fig)
ax.scatter(x[:, 0], x[:, 1], x[:, 2],marker='o',c=y)
Out[6]:
4. 不同自变量个数对应的重建误差
In [7]:
# 不同自变量个数对应的重建误差
from sklearn import manifold
def LLE_components(*data):
X, Y = data
for n in [3,2,1]:
lle = manifold.LocallyLinearEmbedding(n_components=n) # LLE算法对应的类是LocallyLinearEmbedding
lle.fit(X)
print("n = %d 重建误差："%n, lle.reconstruction_error_)
In [8]:
LLE_components(x, y)
5. 可视化LLE降维效果
In [9]:
# 显示重构后的数据
def LLE_neighbors(*data):
X, Y = data
Neighbors = [1, 2, 3, 4, 5, 15, 30, 100, Y.size-1] # 搜索样本的近邻的个数。值越大，则降维后样本的局部关系会保持的更好
fig = plt.figure("LLE", figsize = (9, 9))
for i, k in enumerate(Neighbors):
lle = manifold.LocallyLinearEmbedding(n_components=2,n_neighbors=k,eigen_solver='dense') # 降维到二维,搜索样本紧邻个数，特征分解用dense
X_r = lle.fit_transform(X) # X_r是降维后的数据
ax = fig.add_subplot(3,3,i+1) # 3x3的fig图
ax.scatter(X_r[:,0],X_r[:,1],marker='o',c=Y,alpha=0.5) # 画散点图
ax.set_title("k = %d"%k) # 设置标题
plt.xticks(fontsize=10, color="darkorange") # 设置y轴的字体大小及颜色
plt.yticks(fontsize=10, color="darkorange") # 设置y轴的字体大小及颜色
plt.suptitle("LLE") #总图标题
plt.show()
In [10]:
LLE_neighbors(x, y)
浙公网安备 33010602011771号