# -*- coding: utf-8 -*- import numpy as np import matplotlib.pyplot as plt from sklearn import datasets,manifold def load_data(): ''' 加载用于降维的数据 ''' # 使用 scikit-learn 自带的 iris 数据集 iris=datasets.load_iris() return iris.data,iris.target #多维缩放降维MDS模型 def test_MDS(*data): X,y=data # 依次考察降维目标为 4维、3维、2维、1维 for n in [4,3,2,1]: mds=manifold.MDS(n_components=n) mds.fit(X) print('stress(n_components=%d) : %s'% (n, str(mds.stress_))) # 产生用于降维的数据集 X,y=load_data() # 调用 test_MDS test_MDS(X,y)
def plot_MDS(*data): ''' 绘制经过 使用 MDS 降维到二维之后的样本点 ''' X,y=data mds=manifold.MDS(n_components=2) #原始数据集转换到二维 X_r=mds.fit_transform(X) ### 绘制二维图形 fig=plt.figure() ax=fig.add_subplot(1,1,1) # 颜色集合,不同标记的样本染不同的颜色 colors=((1,0,0),(0,1,0),(0,0,1),(0.5,0.5,0),(0,0.5,0.5),(0.5,0,0.5),(0.4,0.6,0),(0.6,0.4,0),(0,0.6,0.4),(0.5,0.3,0.2)) for label ,color in zip( np.unique(y),colors): position=y==label ax.scatter(X_r[position,0],X_r[position,1],label="target= %d"%label,color=color) ax.set_xlabel("X[0]") ax.set_ylabel("X[1]") ax.legend(loc="best") ax.set_title("MDS") plt.show() # 调用 plot_MDS plot_MDS(X,y)