How to Use UMAP

• 1.介紹
• 2. 企鵝數(shù)據(jù)
• 參考

1.介紹

??UMAP 是一種通用的流形學習和降維算法。 它旨在與 scikit-learn 兼容，使用相同的 API 并能夠添加到 sklearn 管道中。 如果您已經(jīng)熟悉 sklearn，您應該能夠使用 UMAP 作為 t-SNE 和其他降維類的替代品。 如果您對 sklearn 不太熟悉，本教程將引導您了解使用 UMAP 轉換和可視化數(shù)據(jù)的基礎知識。
??首先，我們需要導入一堆有用的工具。 我們顯然需要 numpy，但我們將使用 sklearn 中可用的一些數(shù)據(jù)集以及 train_test_split 函數(shù)來劃分數(shù)據(jù)。 最后，我們需要一些繪圖工具（matplotlib 和 seaborn）來幫助我們可視化 UMAP 的結果，而 pandas 可以讓這更容易一些。

import numpy as np from sklearn.datasets import load_digits from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler import matplotlib.pyplot as plt import seaborn as sns import pandas as pd %matplotlib inline # Notebook需要，pycharm不需要 sns.set(style='white', context='notebook', rc={'figure.figsize':(14,10)})

2. 企鵝數(shù)據(jù)

??下一步是獲取一些可以使用的數(shù)據(jù)。 為了讓我們更容易理解，我們將從企鵝數(shù)據(jù)集開始。 它并不能很好地代表真實數(shù)據(jù)的樣子，但它的點數(shù)和特征數(shù)都很小，可以讓我們了解降維的作用。

penguins = pd.read_csv("https://github.com/allisonhorst/palmerpenguins/raw/5b5891f01b52ae26ad8cb9755ec93672f49328a8/data/penguins_size.csv") print(penguins.head())

??上面代碼有時會報錯如下：

??可以將上述代碼換成如下代碼讀取企鵝數(shù)據(jù)集：

import pandas as pd import io import requests url="https://github.com/allisonhorst/palmerpenguins/raw/5b5891f01b52ae26ad8cb9755ec93672f49328a8/data/penguins_size.csv" s=requests.get(url).content penguins=pd.read_csv(io.StringIO(s.decode('utf-8'))) print(penguins.head())

??由于這是出于演示目的，我們將去掉數(shù)據(jù)中的 NA； 在現(xiàn)實世界中，人們希望更加注意正確處理丟失的數(shù)據(jù)。

penguins=penguins.drop('Unnamed: 0',axis=1) penguins = penguins.dropna() print(penguins.species_short.value_counts())

??有關數(shù)據(jù)集本身的更多詳細信息，請參閱 github 存儲庫。 它包括三種企鵝的喙（culmen）和鰭狀肢和重量的測量值，以及有關企鵝的一些其他元數(shù)據(jù)。 我們總共測量了 334 只不同的企鵝。 可視化這些數(shù)據(jù)有點棘手，因為我們不能輕松地繪制 4 維。 幸運的是，四個并不是一個很大的數(shù)字，所以我們可以通過一個成對的特征散點圖矩陣來了解發(fā)生了什么。 Seaborn 讓這一切變得簡單。

#hue：針對某一字段進行分類 sns.pairplot(penguins, hue='species_short') plt.show()

??通過給出數(shù)據(jù)的所有 2D 視圖，這讓我們對數(shù)據(jù)的外觀有了一些了解。 四個維度足夠低，我們可以（某種程度上）重建全維度數(shù)據(jù)在我們腦海中的樣子。 現(xiàn)在我們有點知道我們在看什么，問題是像 UMAP 這樣的降維技術可以為我們做什么？ 通過以盡可能多地保留數(shù)據(jù)結構的方式減少維度，我們可以獲得數(shù)據(jù)的可視化表示，使我們能夠“看到”數(shù)據(jù)及其結構，并開始對數(shù)據(jù)本身有一些直覺。
??要使用 UMAP 完成這項任務，我們首先需要構造一個 UMAP 對象來為我們完成這項工作。 這就像實例化類一樣簡單。 因此，讓我們導入 umap 庫并執(zhí)行此操作。
??首先在運行代碼環(huán)境中安裝umap：

pip install umap-learn -i https://mirrors.ustc.edu.cn/pypi/web/simple

??導入并實例化umap：

import umap as umap reducer = umap.UMAP()

??在我們可以對數(shù)據(jù)進行任何工作之前，將其清理一下會有所幫助。 我們不需要 NA，我們只需要測量列，并且由于測量是在完全不同的尺度上，因此將每個特征轉換為 z 分數(shù)（與平均值的標準偏差數(shù)）以進行可比性會很有幫助。

penguin_data = penguins[["culmen_length_mm","culmen_depth_mm","flipper_length_mm","body_mass_g",] ].values scaled_penguin_data = StandardScaler().fit_transform(penguin_data)

??現(xiàn)在我們需要訓練我們的減速器，讓它了解流形。 對于這個 UMAP 遵循 sklearn API 并有一個方法 fit ，我們傳遞希望模型學習的數(shù)據(jù)。我們將希望減少我們使用的數(shù)據(jù)表示，所以調用 fit_transform 方法(首先調用 fit 然后將轉換后的數(shù)據(jù)作為 numpy 數(shù)組返回的)。

embedding = reducer.fit_transform(scaled_penguin_data) print(embedding.shape) # (334, 2)

??結果是一個包含 334 個樣本的數(shù)組，但只有兩個特征列（而不是我們開始時的四個）。 這是因為默認情況下，UMAP 會縮減為 2D。 數(shù)組的每一行都是對應企鵝的二維表示。 因此，我們可以將嵌入繪制為標準散點圖和目標數(shù)組的顏色（因為它適用于與原始數(shù)據(jù)順序相同的轉換數(shù)據(jù)）。

plt.scatter(embedding[:, 0],embedding[:, 1],c=[sns.color_palette()[x] for x in penguins.species_short.map({"Adelie":0, "Chinstrap":1, "Gentoo":2})]) plt.gca().set_aspect('equal', 'datalim') # 用于設置軸縮放的方面，即y-unit與x-unit的比率 plt.title('UMAP projection of the Penguin dataset', fontsize=24) plt.show()

??這在捕獲數(shù)據(jù)結構方面很有用，從散點圖矩陣可以看出，這是相對準確的。 當然，我們至少從散點圖矩陣中學到了這么多——我們可以這樣做，因為我們只有四個不同的維度要分析。 如果我們有更多維度的數(shù)據(jù)，散點圖矩陣很快就會變得難以繪制，并且更難以解釋。

參考

[1] UMAP官方文檔

總結

以上是生活随笔為你收集整理的How to Use UMAP的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。