Python实现t-分布随机邻域嵌入(t-SNE)降维算法

目录

Python实现t-分布随机邻域嵌入(t-SNE)降维算法的博客

引言

在数据科学和机器学习中,降维技术是用于降低数据维度并且保留重要特征的关键方法。当我们处理高维数据时,常规的线性降维方法如PCA(主成分分析)可能不足以捕捉数据的非线性结构。为此,t-分布随机邻域嵌入(t-SNE)算法作为一种强大的非线性降维工具,被广泛用于高维数据的可视化和聚类分析。本文将详细介绍t-SNE算法的原理,并使用Python进行实现。我们将通过一个具体的场景来展示如何使用t-SNE算法实现降维。

t-SNE算法原理

t-SNE(t-Distributed Stochastic Neighbor Embedding)是一种非线性降维算法,旨在将高维数据映射到低维空间(通常是二维或三维),以便进行数据可视化。t-SNE通过保留高维空间中数据点的局部邻域结构,使得降维后的数据点在低维空间中保持相似的局部关系。t-SNE算法的核心思想可以分为以下几步:

  1. 高维空间中的相似度计算

    t-SNE首先在高维空间中计算数据点之间的相似度。具体而言,给定两个数据点 x i x_i xi和 x j x_j xj,其在高维空间中的相似度由条件概率 p j ∣ i p_{j|i} pj∣i表示。这个概率反映了在高维空间中选择点 x j x_j xj作为点 x i x_i xi邻居的概率。t-SNE假设高维数据分布遵循高斯分布,并通过高斯核函数计算条件概率:
    p j ∣ i = exp ⁡ ( − ∥ x i − x j ∥ 2 / 2 σ i 2 ) ∑ k ≠ i exp ⁡ ( − ∥ x i − x k ∥ 2 / 2 σ i 2 ) p_{j|i} = \frac{\exp(-\|x_i - x_j\|^2 / 2\sigma_i^2)}{\sum_{k \neq i} \exp(-\|x_i - x_k\|^2 / 2\sigma_i^2)} pj∣i=∑k=iexp(−∥xi−xk∥2/2σi2)exp(−∥xi−xj∥2/2σi2)

    其中, σ i \sigma_i σi是根据点 x i x_i xi 的局部密度自适应调整的参数。

  2. 低维空间中的相似度计算

    在低维空间中,t-SNE使用t-分布而非高斯分布来计算相似度。t-分布在低维空间中具有较长的尾部,这使得t-SNE能够更好地处理数据点间的较大距离。给定两个低维数据点 y i y_i yi 和 y j y_j yj,其相似度由条件概率 q j ∣ i q_{j|i} qj∣i 表示:
    q i j = ( 1 + ∥ y i − y j ∥ 2 ) − 1 ∑ k ≠ l ( 1 + ∥ y k − y l ∥ 2 ) − 1 q_{ij} = \frac{(1 + \|y_i - y_j\|^2)^{-1}}{\sum_{k \neq l} (1 + \|y_k - y_l\|^2)^{-1}} qij=∑k=l(1+∥yk−yl∥2)−1(1+∥yi−yj∥2)−1

    t-分布通过其较长的尾部,更容易将远距离的数据点推远,从而使得局部结构更加清晰。

  3. 最小化KL散度

    t-SNE通过最小化高维空间中的条件概率分布 P P P 和低维空间中的条件概率分布 Q Q Q 之间的Kullback-Leibler散度(KL散度)来优化低维嵌入:
    K L ( P ∥ Q ) = ∑ i ∑ j p j ∣ i log ⁡ p j ∣ i q j ∣ i KL(P \| Q) = \sum_i \sum_j p_{j|i} \log \frac{p_{j|i}}{q_{j|i}} KL(P∥Q)=i∑j∑pj∣ilogqj∣ipj∣i

    通过最小化KL散度,t-SNE确保在低维空间中,具有相似关系的数据点保持紧密,而不相似的数据点分离开。

  4. 梯度下降优化

    为了最小化KL散度,t-SNE使用梯度下降法进行优化。算法通过逐步调整低维空间中的数据点位置,来减少KL散度的值,从而得到低维空间中的嵌入。

t-SNE的优势与局限

t-SNE的最大优势在于它能够很好地保留数据的局部结构,非常适合高维数据的可视化。它常用于揭示数据中的聚类或流形结构,尤其适用于处理复杂的非线性数据。

然而,t-SNE也存在一些局限性。首先,它的计算复杂度较高,尤其是在处理大规模数据时。其次,t-SNE对参数(如学习率和邻居数)的选择较为敏感,参数设置不当可能导致结果不理想。此外,t-SNE在降维时可能会丢失全局结构信息,这意味着它更适合用于局部结构的探索,而非全局结构的分析。

Python实现t-SNE算法

接下来,我们将使用Python实现t-SNE算法,并将其封装到一个面向对象的类中。

1. 创建t-SNE类
python 复制代码
import numpy as np
from scipy.spatial.distance import pdist, squareform

class TSNE:
    def __init__(self, n_components=2, perplexity=30.0, learning_rate=200.0, n_iter=1000):
        self.n_components = n_components
        self.perplexity = perplexity
        self.learning_rate = learning_rate
        self.n_iter = n_iter
        self.Y = None  # Embeddings in low-dimensional space

    def _h_beta(self, D, beta):
        P = np.exp(-D * beta)
        sumP = np.sum(P)
        if sumP == 0:
            sumP = 1e-10  # Avoid division by zero
        H = np.log(sumP) + beta * np.sum(D * P) / sumP
        P = P / sumP
        return H, P

    def _binary_search(self, D, target, tol=1e-5, max_iter=50):
        beta_min = -np.inf
        beta_max = np.inf
        beta = 1.0
        H, P = self._h_beta(D, beta)
        Hdiff = H - np.log(target)
        iter_count = 0
        
        while np.abs(Hdiff) > tol and iter_count < max_iter:
            if Hdiff > 0:
                beta_min = beta
                if beta_max == np.inf:
                    beta *= 2
                else:
                    beta = (beta + beta_max) / 2
            else:
                beta_max = beta
                if beta_min == -np.inf:
                    beta /= 2
                else:
                    beta = (beta + beta_min) / 2
                    
            H, P = self._h_beta(D, beta)
            Hdiff = H - np.log(target)
            iter_count += 1
        
        return P

    def fit(self, X):
        n_samples = X.shape[0]
        target_perplexity = np.log(self.perplexity)
        P = np.zeros((n_samples, n_samples), dtype=np.float64)
        
        for i in range(n_samples):
            Di = np.square(X[i] - X).sum(axis=1).astype(np.float64)
            Di[i] = np.inf  # Exclude self-distance
            P[i] = self._binary_search(Di, target_perplexity)
        
        P = (P + P.T) / (2 * n_samples)
        P = np.maximum(P, 1e-12)  # Prevent log(0)
        
        self.Y = np.random.randn(n_samples, self.n_components)
        
        for iter in range(self.n_iter):
            D_Y = squareform(pdist(self.Y, 'sqeuclidean'))
            Q = np.exp(-D_Y / 2)
            Q[np.diag_indices_from(Q)] = 0  # Zero out diagonal (self-similarity)
            Q = np.maximum(Q, 1e-12)  # Prevent log(0)
            Q /= Q.sum()
            
            PQ = P - Q
            
            for i in range(n_samples):
                gradient = np.sum((PQ[:, i][:, np.newaxis] * (self.Y[i] - self.Y)), axis=0)
                self.Y[i] += self.learning_rate * gradient
            
            if iter % 100 == 0:
                cost = np.sum(P * np.log(P / Q))
                print(f"Iteration {iter}: cost = {cost}")

    def transform(self):
        """
        返回降维后的数据
        :return: 降维后的数据
        """
        return self.Y
2. 示例场景:MNIST手写数字数据集

为了演示如何使用t-SNE算法,我们将使用经典的MNIST手写数字数据集。该数据集包含10个类别的手写数字,每个样本是一个28x28的灰度图像。我们将使用t-SNE将784维的图像数据降维到2维空间,并进行可视化。

python 复制代码
from sklearn.datasets import fetch_openml
import matplotlib.pyplot as plt

# 加载MNIST数据集
mnist = fetch_openml('mnist_784', version=1)
X, y = mnist["data"], mnist["target"]

# 随机抽取1000个样本进行降维
np.random.seed(42)
indices = np.random.choice(X.shape[0], 1000, replace=False)
X_subset, y_subset = X.iloc[indices], y.iloc[indices]

# 使用TSNE类进行降维
tsne = TSNE(n_components=2, perplexity=30.0, learning_rate=200.0, n_iter=1000)
tsne.fit(X_subset.values)
Y = tsne.transform()

# 可视化
plt.scatter(Y[:, 0], Y[:, 1], c=y_subset.astype(int), cmap='tab10', s=50, alpha=0.8)
plt.colorbar()
plt.title("t-SNE visualization of MNIST")
plt.show()
3. 结果分析

通过上述代码,我们可以将高维的MNIST数据集降维到2维,并对不同的数字类别进行可视化。我们可以观察到,t-SNE算法能够有效地将不同类别的数据点分离开来,形成不同的簇。每个簇代表一个手写数字类别,从而使我们能够直观地识别数据的聚类结构。

结论

t-SNE是一种强大的非线性降维技术,特别适用于高维数据的可视化和聚类分析。在本篇博客中,我们详细介绍了t-SNE算法的原理,并使用Python实现了该算法。通过对MNIST手写数字数据集的降维和可视化,我们展示了t-SNE在揭示数据结构方面的优势。然而,t-SNE在大规模数据集上的计算开销较高,对参数设置敏感,因此在实际应用中需要仔细调优和考虑其局限性。希望本文对您理解t-SNE算法有所帮助,并能在实际项目中应用这一技术。

运行结果
相关推荐
幸运超级加倍~9 分钟前
软件设计师-上午题-16 算法(4-5分)
笔记·算法
杨荧10 分钟前
【JAVA毕业设计】基于Vue和SpringBoot的服装商城系统学科竞赛管理系统
java·开发语言·vue.js·spring boot·spring cloud·java-ee·kafka
白子寰16 分钟前
【C++打怪之路Lv14】- “多态“篇
开发语言·c++
yannan2019031317 分钟前
【算法】(Python)动态规划
python·算法·动态规划
埃菲尔铁塔_CV算法18 分钟前
人工智能图像算法:开启视觉新时代的钥匙
人工智能·算法
EasyCVR19 分钟前
EHOME视频平台EasyCVR视频融合平台使用OBS进行RTMP推流,WebRTC播放出现抖动、卡顿如何解决?
人工智能·算法·ffmpeg·音视频·webrtc·监控视频接入
linsa_pursuer20 分钟前
快乐数算法
算法·leetcode·职场和发展
小芒果_0121 分钟前
P11229 [CSP-J 2024] 小木棍
c++·算法·信息学奥赛
qq_4340859023 分钟前
Day 52 || 739. 每日温度 、 496.下一个更大元素 I 、503.下一个更大元素II
算法
Beau_Will23 分钟前
ZISUOJ 2024算法基础公选课练习一(2)
算法