Mam próbki dwóch klas, które są wektorami w przestrzeni wielowymiarowej i chcę je narysować w 2D lub 3D.
Wiem o technikach zmniejszania wymiarów, ale potrzebuję naprawdę prostego i łatwego w użyciu narzędzia (w Matlabie, Pythonie lub wcześniej .exe).
Zastanawiam się też, czy reprezentacja w 2D będzie „znacząca”? (Na przykład, jak dwie klasy przecinają się lub można je rozdzielić).
Odpowiedzi:
Możesz spróbować tSNE . Jest dość prosty w użyciu. Działa z Octave, oprócz Matlaba i Pythona. Spójrz na przewodnik, aby uzyskać pierwszą fabułę w ciągu minuty.
Jednym z gotowych narzędzi do wizualizacji danych wielowymiarowych jest ggobi . Pozwala pokolorować punkty, aby reprezentować grupy, a następnie ma kilka opcji zmniejszania wysokich wymiarów do reprezentacji dwuwymiarowej. Jednym szczególnie przydatnym narzędziem jest wielka trasa 2D, która zasadniczo obraca chmurę danych w wielu wymiarach i pokazuje animację projekcji 2D obrotu. Możesz spowolnić lub zatrzymać obrót, gdy zobaczysz ciekawe wzory.
Co powiesz na wykres współrzędnych równoległych?
Klasycznym podejściem byłoby zastosowanie PCA ( Principal Component Analysis ) w celu przeprowadzenia liniowej redukcji wymiarowości. Zasadniczo rzutuje to twoje dane na przestrzeń o mniejszym wymiarze (w przypadku 2D jest to po prostu płaszczyzna), zachowując przy tym jak największą różnorodność danych.
Uruchomienie PCA zwykle wymaga wykonania jednego polecenia w większości języków programowania, więc jest to bardzo proste.
Pamiętaj, że możliwe jest, że twoich danych nie można dokładnie przedstawić w 2 lub 3 wymiarach. PCA automatycznie da ci ilościowe oszacowanie tego: powie ci, jaki procent wariancji jest wychwycony przez wynikową reprezentację niskiego wymiaru. Dzięki temu poczujesz, ile informacji tracisz, patrząc na tę uproszczoną wizualizację.
Żeby dodać moje 5 centów. Biblioteka Python Scikit-Learn ma wiele algorytmów:
Rozważ następujący przykład opcji wyświetlania. http://www.mathworks.com/help/stats/gmdistribution.cluster.html
Oprócz sugestii @ juampa powinieneś także wypróbować NeRV (Neighbor Retrieval Visualizer), który jest „ opartym na zasadach podejściem opartym na wyszukiwaniu informacji do nieliniowej redukcji wymiarów ”, a SNE / t-SNE można postrzegać jako szczególne przypadki NeRV. Głównym celem NeRV jest zminimalizowanie kompromisu wycofania i precyzji między oryginalną przestrzenią a wyświetlaczem. NeRV jest dostarczany jako narzędzie wiersza poleceń napisane w C ++.
Zdjęcie demo z ich strony internetowej: lewy wynik kładzie większy nacisk na przywołanie (mniej „braków”), podczas gdy prawy kładzie większy nacisk na precyzję (mniej „fałszywych sąsiadów”).
