Compressez les vecteurs en 2 dimensions à l'aide de l'analyse des composants principaux et visualisez-les avec matplotlib.

Préparation-Préparation

vecs #Double tableau de numpy
name #étiquette

Analyse des composants principaux

from sklearn.decomposition import PCA #Analyseur de composants principaux

pca = PCA(n_components=2)
pca.fit(vecs)
x = pca.transform(vecs)

for i in range(len(x)):
  X.append(x[j][0])
  Y.append(x[j][1])

Visualisation-Visualisation

fig, ax = pyplot.subplots(figsize=(15,15))
ax.scatter(X, Y)
for i, txt in enumerate(Name):
  ax.annotate(txt, (X[i], Y[i]))
pyplot.savefig("img.png ") #sauvegarder

Exemple - Exemple

Résultats de l'extraction et de la visualisation du vecteur correspondant au nom du pays à partir du modèle de pré-apprentissage de Wikipedia2Vec Visualization of country vectors, which was extracted Wikipedia2Vec model. img.png

Recommended Posts

Compressez les vecteurs en 2 dimensions à l'aide de l'analyse des composants principaux et visualisez-les avec matplotlib.
Compression dimensionnelle par auto-encodeur et analyse des composants principaux
Filtrage coordonné avec analyse des composants principaux et clustering K-means
Clustering et analyse en composantes principales par méthode K-means (débutant)
Analyse des composants principaux à l'aide de python de nim avec nimpy
Visualisez la matrice de corrélation par l'analyse des composants principaux avec Python