主要内容
徐
T分布式随机邻居嵌入
描述
例子
可视化Fisher Iris数据
Fisher IRIS数据集具有四维虹膜测量，并将对应分类为物种。通过减少尺寸来通过减少尺寸来可视化此数据徐．
加载fisheririsRNG.默认的重复性的％y = tsne（meas）;G箭头（Y（：，1），Y（：，2），物种）
比较距离指标
使用各种距离指标尝试在Fisher IRIS数据中获得物种之间的更好分离。
加载fisheririsrng (“默认”）重复性的％y = tsne（meas，'算法'那“准确”那“距离”那'mahalanobis'）;子图（2,2,1）G谓词（Y（：，1），Y（：，2），物种）标题（'mahalanobis'）RNG（“默认”）公平比较%y = tsne（meas，'算法'那“准确”那“距离”那'余弦'）;子图（2,2,2）G谓词（Y（：，1），Y（：，2），物种）标题（'余弦'）RNG（“默认”）公平比较%y = tsne（meas，'算法'那“准确”那“距离”那'chebbychev'）;子图（2,2,3）G谓词（Y（：，1），Y（：，2），物种）标题（“Chebychev”）RNG（“默认”）公平比较%y = tsne（meas，'算法'那“准确”那“距离”那“欧几里得”）;次要情节(2,2,4)gscatter (Y (: 1), Y(:, 2),物种)标题('euclidean'）
在这种情况下，余弦，Chebychev，和欧几里德距离度量给出了合理的良好的集群分离。但是马氏距离度量并没有给出一个很好的分离。
绘制结果南输入数据
徐删除包含任何内容的输入数据行南参赛作品。因此，您必须在绘制之前从分类数据中删除任何此类行。
例如，将费雪虹膜数据中的一些随机项改为南．
加载fisheririsRNG.默认的重复性的％MEAS（rand（尺寸（meas））<0.05）= nan;
使用四维数据嵌入两个维度徐．
y = tsne（meas，'算法'那“准确”）;
警告：删除了x或'inally'值中的NaN缺失值的行。
确定从嵌入中删除了多少行。
长度（物种） - 长度（y）
ans = 22.
准备通过定位行绘制结果量那没有南价值观。
goodrows =没有(任何(isnan(量),2));
仅使用行的行绘制结果物种对应于量没有南价值观。
gscatter (Y (: 1), Y(:, 2),物种(goodrows))
比较T-SNE损失
找到Fisher Iris数据的2-D和3-D嵌入，并比较每个嵌入的损耗。对于3-D嵌入，损失很可能是较低的，因为这种嵌入具有更多的自由来匹配原始数据。
加载fisheririsRNG.默认的重复性的％[y，损失] = tsne（meas，'算法'那“准确”）;RNG.默认的公平比较%(Y2, loss2) = tsne(量,'算法'那“准确”那'numdimensions'3);流('2-D嵌入有损失％g，3-d嵌入有损失％g。\ n'、损失、loss2)
二维包埋损失0.124191，三维包埋损失0.0990884。
正如预期的那样，3-D嵌入损失较低。
查看嵌入式。使用RGB颜色(1 0 0)那[0 1 0],(0 0 1)．
对于3-D图，将物种转换为使用该物种的数字值分类命令，然后使用疏函数如下。如果V.是正整数1,2或3的矢量，对应于物种数据，然后是命令
稀疏（1：Numel（v），v，v，尺寸（v）））
是一个稀疏矩阵，它的行是物种的RGB颜色。
G箭偶（Y（：，1），Y（：，2），物种，眼睛（3））标题（'2-D嵌入'）
图v = double（分类（种））;c = full（稀疏（1：numel（v），v，v，v）），numel（v），3））;散射3（Y2（：，1），Y2（：，2），Y2（：，3），15，C，'填充'） 标题（'3-D嵌入'）查看（-50,8）
输入参数
输出参数
更多关于
算法
徐在低维空间中构造一组嵌入点，其相对相似度模拟了原始高维点的那些。嵌入点显示了原始数据中的群集。
粗略地，算法模拟了来自高斯分布的原始点，以及来自学生的嵌入点T.分配。该算法试图通过移动嵌入点来最小化这两个分布之间的kullback-leibler发散。
有关详细信息，请参阅t-SNE．
在R2017A介绍
你也可以从以下列表中选择一个网站:
