Začněte nyníZačněte zdarma

Vizualizace datasetu obilnin pomocí t-SNE

Ve videu jsi viděl/a t-SNE aplikované na dataset iris. V tomto cvičení použiješ t-SNE na data vzorků obilnin a výsledné příznaky t-SNE prozkoumáš pomocí scatter plotu. Máš k dispozici pole samples se vzorky obilnin a seznam variety_numbers udávající číslo odrůdy každého vzorku.

Toto cvičení je součástí kurzu

Unsupervised Learning in Python

Zobrazit kurz

Pokyny k cvičení

  • Importuj TSNE z sklearn.manifold.
  • Vytvoř instanci TSNE s názvem model s nastavením learning_rate=200.
  • Aplikuj metodu .fit_transform() objektu model na samples. Výsledek ulož do proměnné tsne_features.
  • Vyber sloupec 0 proměnné tsne_features. Výsledek ulož do proměnné xs.
  • Vyber sloupec 1 proměnné tsne_features. Výsledek ulož do proměnné ys.
  • Vytvoř scatter plot příznaků t-SNE xs a ys. Aby se body obarvily podle odrůdy obilniny, přidej argument c=variety_numbers.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import TSNE
____

# Create a TSNE instance: model
model = ____

# Apply fit_transform to samples: tsne_features
tsne_features = ____

# Select the 0th feature: xs
xs = tsne_features[:,0]

# Select the 1st feature: ys
ys = tsne_features[:,1]

# Scatter plot, coloring by variety_numbers
____
plt.show()
Upravit a spustit kód