
机器学习
|
391
如果用类似方法为已经做过旋转和平移变换的数据构建一个距离矩阵,将看到同样的
结果:
In[7]: D2 = pairwise_distances(X2)
np.allclose(D, D2)
Out[7]: True
这个距离矩阵给出了一个数据集内部关系的表现形式,这种形式与数据集的旋转和投影无
关。但距离矩阵的可视化效果却显得不够直观。图
5-96
丢失了我们之前在数据中看到的关
于“
HELLO
”的所有视觉特征。
虽然从 (x, y) 坐标计算这个距离矩阵很简单,但是从距离矩阵转换回
x
坐标值和
y
坐标值
却非常困难。这就是多维标度法可以解决的问题:它可以将一个数据集的距离矩阵还原成
一个
D
维坐标来表示数据集。下面来看看多维标度法是如何还原距离矩阵的——
MDS
模
型将非相似性(
dissimilarity
)参数设置为 precomputed 来处理距离矩阵(如图
5-97
所示):
In[8]: from sklearn.manifold import MDS
model = MDS(n_components=2, dissimilarity='precomputed', random_state=1)
out = model.fit_transform(D)
plt.scatter(out[:, 0], out[:, 1], **colorize)
plt.axis('equal');
图 5-97:从成对距离计算 MDS 嵌入
仅仅
依靠描述数据点间关系的
N
×
N
距离矩阵,