谷物数据集的 t-SNE 可视化

在视频中，您已经看到 t-SNE 应用于 iris 数据集。本练习中，您将把 t-SNE 应用于谷物样本数据，并用散点图检查生成的 t-SNE 特征。已提供数组 samples（包含谷物样本）以及列表 variety_numbers（给出每个谷物样本的品种编号）。

本练习是课程的一部分

Python 中的无监督学习

查看课程

练习说明

从 sklearn.manifold 导入 TSNE。
创建名为 model 的 TSNE 实例，设置 learning_rate=200。
调用 model 的 .fit_transform() 方法作用于 samples，将结果赋给 tsne_features。
选择 tsne_features 的第 0 列，赋给 xs。
选择 tsne_features 的第 1 列，赋给 ys。
使用 xs 和 ys 的 t-SNE 特征绘制散点图。为按谷物品种着色点，额外指定关键字参数 c=variety_numbers。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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()

编辑并运行代码