从Word2vec可视化算法t-SNE谈起

2020-01-02 本文已影响0人老周算法

刚好最近经常看一些word2vec的文章，在最后往往看到作者说用t-SNE可视化结果，也即把高维度的数据降维并可视化。很奇怪作者为何不用PCA或者LDA，深挖下去挖出了一个未曾了解过的可视化算法领域

降维，所有人都知道就是把特征维度降低后并力求保留有用的信息。

说起降维，大部分人知道PCA(Principal Components Analysis)

说起降维，部分人知道LDA(Linear Discriminant Analysis)

说起降维，少部分人知道一般分为线性降维和非线性降：

1，线性降维：PCA(Principal Components Analysis)

LDA(Linear Discriminant Analysis)

MDS(Classical Multidimensional Scaling)

2，非线性降维：

Isomap(Isometric Mapping)

LLE(Locally Linear Embedding)

LE(Laplacian Eigenmaps)

t-SNE(t-Distributed Stochastic Neighbor Embedding)

大家可能对线性降维中的一些方法比较熟悉了，但是对非线性降维并不了解，非线性降维中用到的方法大多属于流形学习范畴，本文主要通过聊聊怎么使用其中的t-SNE来入门下流形学习。

我们的少部分人知道t-SNE算法已经成为了Scikit-learn的功能模块，主要用于可视化和理解高维数据。在此文中，将学习其基本算法核心思想，并结合些例子演示如何使用Scikit-learn来调用t-SNE。

t-SNE sklearn实现

1）t-SNE是什么？

t-SNE字面上的理解是t分布与SNE结合，所以问题变成了SNE是什么，为何要和t分布结合。

SNE：即stochastic neighbor embedding，由Hinton于2002年提出的可视化算法：在高维空间相似的数据点，映射到低维空间距离也是相似的。

t-SNE：2008年Maaten 和Hinton结合t分布改进了SNE，解决了SNE棘手的问题之一：拥挤问题，即不同类别边缘不清晰，当然t-SNE还有其他缺点，如大数据可视化有点吃力。

2）首先使用Iris dataset可视化说明t-SNE与PCA的线性与非线性可视化：

如下图所示：类别只有三类的情况下，我们看到t-SNE和PCA都可以较好的分类并进行可视化。

三类可视化对比

from sklearn.manifold import TSNE
from sklearn.decomposition import PCA

我们注意到PCA在sklearn使用decomposition模块，而t-SNE使用manifold模块，那manifold模块（翻译成流形学习）的功能是什么呢，首先得了解什么是流形学习：

流形学习为拓扑学与机器学习的结合，可以用来对高维数据降维,如果将维度降到2维或3维,我们就能将原始数据可视化,从而对数据的分布有直观的了解,发现一些可能存在的规律。

流形学习的前提假设，即某些高维数据，实际是一种低维的流形结构嵌入在高维空间中。流形学习的目的是将其映射回低维空间中，揭示其本质。如下图所示：右图为左图的降维后的展示，是不是更直观，更“流形”。（图片来源知乎）

image.png

Manifold learning is an approach to non-linear dimensionality reduction。传统的线性降维（PCA，LDA）会经常学不到重要的非线性数据特征，也即官网所说： it learns the high-dimensional structure of the data from the data itself, without the use of predetermined classifications，主要流行算法如下图所示：

主要流行算法

3）当维度较高时，且数据较稀缺的时候我们比较下PCA和t-SNE的可视化效果

我们使用sklearn关于20newsgroups，如官网介绍：

The 20 newsgroups dataset comprises around 18000 newsgroups posts on 20 topics split in two subsets: one for training (or development) and the other one for testing (or for performance evaluation).

我们可以通过设置参数subset调用对应的训练或测试数据或者全部数据
subset='train'
subset='test'
subset='all'

选择所有数据，类目限制四个主题文章，并调用TfidfVectorizer抽取文本为特征向量。

categories = ['alt.atheism','talk.religion.misc', 'comp.graphics', 'sci.space']
newsgroups = fetch_20newsgroups(subset="all", categories=categories)
vectorizer = TfidfVectorizer()
vectors = vectorizer.fit_transform(newsgroups.data)

理解所使用的实验数据，我们发现数据非常稀缺，稀缺度为0.42%

计算样本数2588个

print(newsgroups.filenames.shape)

计算向量维度38137维向量

print(vectors.shape)

计算非0共406180个

print(vectors.nnz)

计算每个样本有多少个非0features，共156个。

print(vectors.nnz / float(vectors.shape[0]))

计算非0特征占比，判断特征稀缺程度，结果为0.42%，非常稀缺

print(vectors.nnz / float(vectors.shape[0])/38137)

通过help（TSNE）我们发现其往往会根据稀缺程度来决定选择PCA还是truncatedSVD先降维至50维。由上可知，数据非常稀缺，择TruncatedSVD先降维至50维，我们发现t-SNE可视化效果要明显好于PCA。

TSNE可视化：

reduced = TruncatedSVD(n_components=50).fit_transform(vectors)
embedded = TSNE(n_components=2, perplexity=30).fit_transform(reduced)

fig = plt.figure(figsize=(15, 5))
plt.subplot(131)
plt.title('The 20 newsgroups dataset  with TSNE')
plt.scatter(embedded[:, 0], embedded[:, 1],c=newsgroups.target, marker="x")
![image.png](https://img.haomeiwen.com/i1676597/8216faad09544183.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)

PCA可视化（注意要先转换vectors.todense()）

reduced_with_PCA = PCA(n_components=2).fit_transform(vectors.todense())
plt.subplot(133)
plt.title('The 20 newsgroups dataset with PCA')
plt.scatter(reduced_with_PCA[:, 0], reduced_with_PCA[:, 1],\
c=newsgroups.target, marker="x")