当前位置：文江博客话题详情

降低维度后，在子空间中绘制新点

发布于 2025-02-06 18:13:02 字数 214 浏览 3 评论 0原文

我想在2维图上绘制每个参数为100个参数，每个参数在0-99之间。这应该是通过降低维数（PCA/TSNE/UMAP等）的正常方法直接的，但是我需要能够将随后的点添加到图中，而无需重新计算并因此改变

我正在构图的算法，该算法需要数据点使用它的100个值并将其转换为x，y坐标，然后可以绘制。在原始100D空间中，2D投影中的点近端是近端。这样的算法是否存在？如果没有，有其他方法吗？

谢谢

原文

分享到QQ

分享到微博

如果你对这篇内容有疑问，欢迎到本站社区发帖提问参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。

发布评论

需要登录才能够评论，你可以免费注册一个本站的账号。

对你的占有欲 2025-02-13 18:13:02

我不确定我是否正确理解了这个问题，但是有了初始集x，我们可以安装PCA来计算主要组件。然后，我们可以使用这些主要组件来转换新样本。

from sklearn.decomposition import PCA
import numpy as np
import matplotlib.pyplot as plt

n_samples, n_feats = 50, 100
X = np.random.randint(0, 99, size=n_samples * n_feats).reshape(n_samples, n_feats)

pca = PCA(n_components=2).fit(X)
X_reduced = pca.transform(X)

plt.scatter(X[:, 0], X[:, 1])

这幅图，

然后，当新样本进来时，

new_sample = np.random.randint(0, 99, size=100).reshape(1, 100)
new_sample_reduced = pca.transform(new_sample)
plt.scatter(new_sample_reduced[:, 0], new_sample_reduced[:, 1], color="red")

可以绘制

I am not sure I understood the question correctly but with an initial set X, we can fit a PCA to compute the principal components. Then, we can use these principal components to transform new samples.

from sklearn.decomposition import PCA
import numpy as np
import matplotlib.pyplot as plt

n_samples, n_feats = 50, 100
X = np.random.randint(0, 99, size=n_samples * n_feats).reshape(n_samples, n_feats)

pca = PCA(n_components=2).fit(X)
X_reduced = pca.transform(X)

plt.scatter(X[:, 0], X[:, 1])

This plots,

Then, when a new sample comes in

new_sample = np.random.randint(0, 99, size=100).reshape(1, 100)
new_sample_reduced = pca.transform(new_sample)
plt.scatter(new_sample_reduced[:, 0], new_sample_reduced[:, 1], color="red")

We can plot it