K-means + PCA + T-SNE 實現高維數據的聚類與可視化

使用matlab完成高維數據的聚類與可視化

[idx,Centers]=kmeans(qy,3)
[COEFF,SCORE,latent] = pca(qy);
SCORE = SCORE(:,1:30);
mappedX = tsne(SCORE,'Algorithm','exact','NumDimensions',3);
c=zeros(211,3);
for i = 1 : 211
    c(i,idx(i)) = 1;
end
scatter3(mappedX(:,1),mappedX(:,2),mappedX(:,3),15,c,'fill')

%     數據qy為211個，48維。
%     K-means:  [idx,Centers]=kmeans(data,k)
%     將數據分為k類，idx為每個數據的類別標號，centers為k個中心的坐標，

%     PCA：  [COEFF SCORE latent]=princomp(X)
%     現在已經改名為pca而非princomp
%     參數說明：
%     1）COEFF 是主成分分量，即樣本協方差矩陣的特征向量；
%     2）SCORE主成分，是樣本X在低維空間的表示形式，即樣本X在主成份分量COEFF上的投影 ，若需要降k維，則只需要取前k列主成分分量即可
%     3）latent：一個包含樣本協方差矩陣特征值的向量；


% T-SNE：    mappedX = tsne(X, labels, no_dims, init_dims, perplexity)
%    tsne 是無監督降維技術，labels 選項可選；
%    X∈RN×D，N 個樣本，每個樣本由 D 維數據構成；
%    no_dims 的默認值為 2；（壓縮后的維度） 
%    tsne 函數實現，X∈RN×D⇒RN×no_dimes（mappedX）
%    init_dims：注意，在運行 tsne 函數之前，需要使用 PCA 對數據預處理，將原始樣本集的維度降低至 init_dims 維度（默認為 30）。
%    perplexity：高斯分布的perplexity，默認為 30；

 

 

最終效果：