Rtsne包降维聚类分析

Rtsne包降维聚类分析

t-SNE优缺点

优点
  • 对于不相似的点,用一个较小的距离会产生较大的梯度来让这些点排斥开来。

  • 这种排斥又不会无限大(梯度中分母),避免不相似的点距离太远。

    缺点
  • 主要用于可视化,很难用于其他目的。

  • t-SNE倾向于保存局部特征,对于本征维数(intrinsic dimensionality)本身就很高的数据集,是不可能完整的映射到2-3维的空间

  • 全局结构未明确保留。这个问题可以通过PCA初始化点(使用init ='pca')来缓解。

  • 计算量大,耗时间是PCA的百倍,内存占用大。

应用

1、识别肿瘤亚群(医学成像)

质谱成像(MSI)是一种同时提供组织中数百个生物分子的空间分布的技术。t-SNE,通过数据的非线性可视化,能够更好地解析生物分子肿瘤内异质性。

2、 人脸识别

人脸识别技术已经取得巨大进展,很多诸如PCA之类的算法也已经在该领域被研究过。但是由于降维和分类的困难,人脸识别依然具有挑战性。t-SNE被用于高维度数据降维,然后用其它算法,例如 AdaBoostM2, 随机森林, 逻辑回归, 神经网络等多级分类器做表情分类。

R语言实现

Rtsne包

主要参数

dims参数设置降维之后的维度,默认是2
perplexity困惑度,参数须取值小于(nrow(data)-1)/3
theta参数越大,结果的准确度越低,默认是0.5
max_iter最大迭代次数
pca表示是否对输入的原始数据进行PCA分析,然后用分析后的数据进行后续分析,一般选择TRUE



library(Rtsne)
iris_unique <- unique(iris) #去重复
tsne_out <- Rtsne(as.matrix(iris_unique[,1:4])) #运行t-SNE
plot(tsne_out$Y,col=iris$Species,asp=1) #asp 限定  aspect 比率



attachments-2021-05-tP6EhVFA60ab5df00fcc0.png

  • 发表于 2021-05-24 15:37
  • 阅读 ( 78 )
  • 分类:R

你可能感兴趣的文章

相关问题

0 条评论

请先 登录 后评论
omicsgene
omicsgene

生物信息

440 篇文章

作家榜 »

  1. omicsgene 440 文章
  2. 安生水 226 文章
  3. Daitoue 167 文章
  4. 生物女学霸 120 文章
  5. CORNERSTONE 72 文章
  6. 红橙子 63 文章
  7. 生信老顽童 48 文章
  8. landy 37 文章