CommencerCommencer gratuitement

Visualisation t-SNE de l'ensemble de données sur les grains

Dans la vidéo, vous avez observé l'application de t-SNE à l'ensemble de données sur l'iris. Dans cet exercice, vous allez appliquer t-SNE aux données d'échantillons de grains et inspecter les caractéristiques t-SNE obtenues à l'aide d'un graphique en nuage de points. On vous fournit un tableau samples contenant des échantillons de grains et une liste variety_numbers indiquant le numéro de variété de chaque échantillon.

Cet exercice fait partie du cours

Apprentissage non supervisé en Python

Afficher le cours

Instructions

  • Importez TSNE à partir de sklearn.manifold.
  • Créez une instance TSNE appelée « model » avec les paramètres suivants : learning_rate=200.
  • .fit_transform() Veuillez appliquer la méthode de demande d'exemption de responsabilité de model à samples. Affectez le résultat à tsne_features.
  • Veuillez sélectionner la colonne « 0 » (nom du fichier) de l'adresse tsne_features. Affectez le résultat à xs.
  • Veuillez sélectionner la colonne « 1 » (nom du fichier) de l'adresse tsne_features. Affectez le résultat à ys.
  • Créez un graphique en nuage de points des caractéristiques t-SNE xs et ys. Pour colorer les points en fonction de la variété de grain, veuillez spécifier l'argument clé supplémentaire « c=variety_numbers ».

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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()
Modifier et exécuter le code