关于高维度数据降维，以前都是使用PCA线性降维或者直接使用pandas的corr函数来找到相关性，但是这种方式的降维都是线性的。Autoencoder可以完成线性的、非线性的降维，提取有效的数据表征。下面是笔者收集展示的三个案例。
案例1：3D dataset数据集
1、创建3D数据集
2、创建模型并训练，2个神经元的编码器隐藏层，3个神经元的解码器隐藏层
3、encoder编码器预测实例完成降维
案例2：mnist手写数字
1、定义函数load_mnist导入本地mnist数据集
2、Autoencoder降低到二维
3、AutoEncoder编码器预测新实例得到二维数据，并绘制图形
以上绘制的图形有重叠部分，不便于区分。笔者再次修改模型使用Autoencoder来降低为对应的10维。
使用TNSE再次完成数据降低到二维，这也就可以展开数据集便于可视化。
案例3：fashion_mnist图像
此案例基于Autoencoder神经网络完成异常检测(样本重构)，前期的操作就不再展示了。下面是在编码器预测数据之后再次使用t-SNE，能够将高维空间中的数据映射到低维空间中，并保留数据集的局部特性。
网友评论