- 综合排序
- 最热优先
- 最新优先
- 来自专栏R语言学习
tSNE可视化
RColorBrewer) iris_unique <- unique(iris) # Remove duplicates set.seed(42) # Sets seed for reproducibility tsne_out <- Rtsne(as.matrix(iris_unique[,1:4])) # Run TSNE mydata<-data.frame(tsne_out$Y,iris_unique$Species ) #tsne_out$Y保存这散点图的二维坐标 colnames(mydata)<-c("t_DistributedY1","t_DistributedY2","Group") ggplot
1.8K00发布于 2020-10-08 - 来自专栏科研猫
【科研猫·高级绘图】 tSNE 分析
t-分布领域嵌入算法（t-distributed stochastic neighbor embedding，tSNE），是一种常用的非线性降维方法，非常适用于高维数据降维到2维或者3维，从而进行可视化 以一篇发表在Nature Genetics (IF = 25.455)上的文章为例，通过对RNA-seq表达谱数据进行tSNE分析，将疾病分为不同的亚型。 ? 本次教程为大家带来是，是如何根据表达谱数据，通过运用tSNE分析的方法，显示样本与样本之间的差异性。 1. 2. tSNE计算 使用Rtsne包中的Rtsne函数计算tSNE。通过计算结果前六行，可以看出最终的结算结果为一个矩阵，一共有2列10行，每一行为一个样本，两列分别为tSNE_1和tSNE_2。 这里我们使用ggscatter这个函数，x轴为tSNE_1，y轴为tSNE_2。 ? ? 这样，我们一张tSNE图就做完啦~ 4.
7.9K20发布于 2019-11-23 - 来自专栏单细胞天地
聚类算法之PCA与tSNE
前 · 言 第二单元第六讲：聚类算法之PCA与tSNE 还是之前文章附件的图片，其中b图是选取两个主成分做的PCA图，c图是tSNE图： ? 另外看下tsne 利用了一个核心函数Rtsne() set.seed(42) tsne_out <- Rtsne(a3,pca=FALSE,perplexity=10,theta=0.0) # 结果得到一个列表 $Y colnames(tsnes) <- c("tSNE1", "tSNE2") #为坐标添加列名 # 基础作图代码 ggplot(tsnes, aes(x = tSNE1, y = tSNE2))+ tsne也是如此 set.seed(42) tsne_out <- Rtsne(a3,pca=FALSE,perplexity=10,theta=0.0) tsnes=tsne_out$Y colnames =group ggplot(tsnes, aes(x = tSNE1, y = tSNE2))+ geom_point(aes(col=group)) ?
3.8K30发布于 2020-03-31 - 来自专栏单细胞天地
NC单细胞文章复现(五)：tSNE
我们昨日进行clustering之后，将1107个细胞分成了9个簇，今天学习tsne方面的知识。 tsne_short_ct <- Rtsne(t(mat_short_ct), perplexity = 30) #最终得到一个list，其中tsne_short_ct$Y存储画图的信息，给tsne_short_ct $Y适当添加对应的细胞类型等属性 colnames(tsne_short_ct$Y) <- c("col1", "col2") tsne_short_ct$Y <- as.data.frame(tsne_short_ct (col = "patient", x = "tSNE dimension 1", y = "tSNE dimension 2", shape = "patient") ? (values = anno_colors$tsne) ?
1.3K10发布于 2021-07-02 - 来自专栏ATYUN订阅号
如何为地图数据使用tSNE聚类
在这篇文章中，我们将首先看看如何在真值表逻辑数据集上使用tSNE维度映射，然后我们将使用相同的概念将经纬度坐标映射到一维空间。 PCA使用线性代数概念来构造一个新的正交向量的维空间，而tSNE使用容易理解的，排斥或吸引的方法将点从高维空间映射到低维空间。 tSNE算法用于保持较高空间中的线性空间关系，而一些聚类算法例如，径向基函数网络中使用的算法是试图增强空间关系，使得新空间可线性分离(例如XOR逻辑问题的解决方案。 要在python中使用tSNE，比较简单方法是使用sklearn： from sklearn.manifoldimport TSNE # sample data set X= np.array([[0,0 ],[0,1],[1,0],[1,1]]) X_embedded= TSNE(n_components=1).fit_transform(X) ?
1.9K30发布于 2018-08-16 - 来自专栏AI研习社
用 GPU 加速 TSNE：从几小时到几秒
然后，详细解释TSNE如何实现以及如何在cuML中对其进行优化，使其能在GPU上运行。 TSNE的应用 TSNE与传统的监督方法（例如线性回归和决策树）形成对比，因为它不需要标签。 TSNE试图通过移动相似点和相异点，使其互相远离来识别数据的结构。 ? 图2.在时尚用例中使用的TSNE。 在图2中，TSNE被应用于由60,000件衣物图像组成的时装数据集。 MNIST数字数据集的TSNE图 TSNE还用于可视化卷积神经网络，以帮助从业者辨别复杂的分类器是否真正在“学习”。 这使TSNE可以在数据集上进行训练，而无需首先使用PCA缩小维度。 TSNE如何起作用 cuML的TSNE主要基于CannyLab最初的Barnes Hut实现。 有关更多TSNE示例和对TSNE的数学优化的更深入了解，请在此处查看更多扩展的Jupyter Notebook。 ?
7.3K30发布于 2019-12-02 - 来自专栏生信技能树
umap的单细胞可视化效果比tSNE好
我就顺手下载了打开读了一下，发现他们的单细胞转录组数据降维聚类分群后的可视化选择的是tSNE，感觉看起来呢各个单细胞亚群之间的边界线有点不清晰。 作者的tSNE图如下所示： tSNE图 表达量矩阵在：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi? 我们直接看看默认命名后的结果： 我自己觉得，我们复现后的降维聚类分群结果，理论上比文章的好看一点，这就是我先表达的结论：umap的单细胞可视化效果比tSNE好 不知道你是否认同呢？
1.2K21编辑于 2023-02-27 - 来自专栏百味科研芝士
单细胞tSNE细胞降维图还可以这样做？！
单细胞转录组文章中，我们经常可以看到tSNE细胞降维图，而且展示的形式也是丰富多彩的。首先，我们来一起看看文章中都是如何利用tSNE图的呢？ 数据加载完成后，点击左侧导航tSNE图*（四种类型的任何一种）后会自动开始绘图，如果点击后未出图，说明您的数据未加载完成，还请您再耐心等待一下！ 3.图片绘制及调整 以tSNE图-样本/分组图为例进行图片绘制及参数调整介绍： ? ? 点击tSNE图-样本/分组图后，默认按照样本着色进行图片展示，如果您的项目有生物学重复，需要按照分组着色展示，点击设置样本分组信息： ? ? 另外三种类型的tSNE图与tSNE图-样本/分组基本结构一致，参数调整的方式也很相似，不再一一赘述。
3K20发布于 2020-08-04 - 来自专栏科研猫
R语言从入门到精通：Day14（PCA & tSNE)
tSNE 到这里，主成分分析的部分就基本结束，显然主成分分析是一种线性相关的分析方法，而下面要介绍的t-SNE则适用于非线性关系，它的主要用处为降维，一般将高维数据转化为二维数据并绘制图形，便于我们观察变量之间的关系
1.5K10发布于 2019-11-11 - 来自专栏生信情报站
详解 R 语言的PCA与TSNE的降维聚类
同时使用 PCA 与 TSNE 来观察两种不同方法的聚类效果。 10,theta=0.0) # 获取tSNE的坐标值 str(tsne_out) # 其中在Y中存储了画图坐标 tsnes=tsne_out$Y colnames(tsnes) <- c("tSNE1" 4、绘制TSNE set.seed(123123) tsne_out <- Rtsne(sample_all,pca=FALSE,perplexity=10,theta=0.0) tsnes=tsne_out =tsne_out$Y colnames(tsnes) <- c("tSNE1", "tSNE2") #为坐标添加列名 # 在此基础上添加颜色分组信息，首先还是将tsnes这个矩阵变成数据框，然后增加一列 ,pca=FALSE,perplexity=10,theta=0.0) tsnes=tsne_out$Y colnames(tsnes) <- c("tSNE1", "tSNE2") tsnes=as.data.frame
1.8K20发布于 2021-04-23 - 来自专栏生信技能树
文献配套GitHub发表级别绘图05-仍然是散点图的tSNE图
分析 基础用法如下： tsne_out <- Rtsne( data, dims = 2, pca = FALSE, perplexity = 10, theta = 0.0, max_iter set.seed(0011) # 设置随机数种子 tsne <- Rtsne(as.matrix(data), check_duplicates = F, theta = 0.5, pca_scale = T, dims = 3)#4) 结果是一个有14个元素的list，其内容如下： str(tsne) # 其中的Y就是降维之后的二维空间对应的数据点，可以根据这个值进行可视化 scores <- as.data.frame(tsne$Y) rownames(scores) <- row.names(data) colnames(scores) <- c('tSNE1', 'tSNE2', 'tSNE3 ')#, 'tSNE4') head(scores) 三、设置分组 作者这个数据比较特殊，他是在分析完tsne之后再添加分组 # 新增grade列，为数据的分组 scores <- cbind(scores
1.5K21编辑于 2022-03-03 - 来自专栏单细胞天地
单细胞数据Seurat包的tSNE三维可视化
1.三维坐标计算： 这里假设单细胞数据已经从counts matrix 走到了tSNE降维的前一步，在此使用RunTSNE()进行tsne的三维降维计算： set.seed(1) data.combined 2.可视化： 前期数据准备，提取tSNE降维后的三维坐标数据，以及制作颜色条。 tmp.tsne.3<-Embeddings(object = data.combined[["tsne"]]) cb_palette <- c("#ed1299", "#09f9f5", "#246b93 2.2 方法二，使用plotly进行可视化 library(plotly) tmp.tsne.3 <- as.data.frame(tmp.tsne.3) fig <- plot_ly(tmp.tsne .3, x = ~tSNE_1, y = ~tSNE_2, z = ~tSNE_3, color =data.combined$seurat_clusters, colors = cb_palette.use
5.3K30发布于 2021-05-19 - 来自专栏AI研习社
利用摇滚乐队学习TensorFlow，Word2Vec模型和TSNE算法
本文为 AI 研习社编译的技术博客，原标题 Learn TensorFlow, the Word2Vec model, and the TSNE algorithm using rock bands。 使用TSNE进行可视化 好吧，我们还没完成。 我们现在为艺术家提供了上下文丰富的64维向量，但可能维度太多，反而无法真正想象它的实用性。 这是T分布式随机邻居嵌入，简称TSNE。这个视频很好地解释了TSNE背后的主要思想，但我将尝试给出一个广泛的概述。 TSNE是一种降维的方法，它保留了更高维度的相似性（如欧氏距离）。 三百个艺术家带标签的绘制图 原文链接： https://medium.freecodecamp.org/learn-tensorflow-the-word2vec-model-and-the-tsne-algorithm-using-rock-bands
88920发布于 2018-09-25 - 来自专栏生信技能树
R语言绘图练习——ggplot2画tSNE的聚类点图（带圈带阴影）
## tSNE_1 tSNE_2 cell cluster ## 6A-11 -1.910859 -26.09210 6A-11 2 ## 6A-13 -3.498666 开始画图： 首先，可以看出这张图是张点图，而x轴、y轴和点的颜色分别对应数据中的tSNE_1、tSNE_2和cluster，所以用映射来实现。 rm(list=ls()) load("for_tSNE.pos.Rdata") ggplot(dat,mapping = aes(x=tSNE_1, 把填充的透明度改一改 ggplot(dat,mapping = aes(x=tSNE_1, y=tSNE_2, ggplot(dat,mapping = aes(x=tSNE_1, y=tSNE_2, col=cluster
6K41发布于 2021-07-29 - 来自专栏生信技能树
CCLE数据库也单细胞转录组数据啦
(tSNE Bile Duct Cancer) tSNE_Bladder_Cancer.txt (tSNE Bladder Cancer) tSNE_Bone_Cancer.txt ( tSNE Bone Cancer) tSNE_Brain_Cancer.txt (tSNE Brain Cancer) tSNE_Breast_Cancer.txt (tSNE Breast (tSNE Fibroblast) tSNE_Gallbladder_Cancer.txt (tSNE Gallbladder Cancer) tSNE_Gastric_Cancer.txt (tSNE Kidney Cancer) tSNE_Liver_Cancer.txt (tSNE Liver Cancer) tSNE_Lung_Cancer.txt (tSNE Lung Cancer) tSNE_Sarcoma.txt (tSNE Sarcoma) tSNE_Skin_Cancer.txt (tSNE Skin Cancer) tSNE_Thyroid_Cancer.txt
82520发布于 2021-11-23 - 来自专栏单细胞天地
RunTSNE二维及三维结果可视化
',pt.size =2) 在生信菜鸟团的#单细胞周更中，有一期就是对TSNE和UMAP图进行美化——tsne及umap图美化 使用ggplot2美化： 提取tSNE二维坐标数据，以及细胞分群情况celltype <- tSNE %>% group_by(celltype)%>% summarise(tSNE_1 = median(tSNE_1), tSNE_2 = median(tSNE_2)) # 使用ggplot2绘图 p <- ggplot(data = tSNE, aes(x = tSNE_1, y = tSNE_2)) + geom_point(aes(color = celltype _1", ylab = "tSNE_2", zlab = "tSNE_3", main="3D Scatter Plot of tSNE", col.axis ，相似的标签被聚类在一起 PCA TSNE
1K10编辑于 2024-06-25 - 来自专栏单细胞天地
根据表达矩阵进行分群-2
(sce_female_tsne, reduction = "tsne") ? ) <- c('tSNE1','tSNE2') ggplot(tsnes_cord, aes(x=tSNE1, y = tSNE2)) + geom_point(col=color) + theme_classic if(T){ library(Rtsne) N_tsne <- 50 tsne_out <- list(length = N_tsne) KL <- vector(length = N_tsne , col=dbscan(opt_tsne,eps=3.1)$cluster, pch=19, xlab="tSNE dim 1", ylab="tSNE dim 2") ? # kmeans结果 plot(opt_tsne, col=kmeans(opt_tsne,centers = 4)$clust, pch=19, xlab="tSNE dim 1", ylab
96740发布于 2020-03-30 - 来自专栏小明的数据分析笔记本
R语言做t-SNE降维的一个简单小例子
之前有人在公众号留言问过用R语言如何实现t-SNE降维，今天的推文介绍一下R语言实现的代码，主要内容参考自链接 https://datavizpyr.com/how-to-make-tsne-plot-in-r <-df %>% select(-species) %>% scale() %>% Rtsne() 提取降维结果 tSNE_fit$Y %>% as.data.frame() %>% rename(tSNE1="V1", tSNE2="V2") %>% mutate(Species=df$species) -> tSNE.plot 散点图展示结果 library(ggplot2) ggplot()+ geom_point(data=tSNE.plot, aes(x=tSNE1,y=tSNE2,color=Species ))+ stat_ellipse(data=tSNE.plot, geom="polygon", aes(x=tSNE1,y=tSNE2,
1.2K21发布于 2021-09-22 - 来自专栏机器学习与统计学
机器学习数据降维与可视化：t-SNE详解与实践【附代码】
= TSNE(n_components=2, random_state=42) X_tsne = tsne.fit_transform(X) # 可视化 plt.figure(figsize=(8, =42, ) X_tsne = tsne.fit(X) # 可视化 plt.figure(figsize=(12, 12)) colors = plt.cm.rainbow(np.linspace(0 , 1, 10)) for i in range(10): plt.scatter(X_tsne[y == i, 0], X_tsne[y == i, 1], color=colors[i], 首先，加载所需的库和数据集： from sklearn.manifold import TSNE as SKLTSNE from openTSNE import TSNE as OPENTSNE from = SKLTSNE(n_components=2, random_state=42) X_tsne_skl = tsne_skl.fit_transform(X_subset) skl_time =
8K21编辑于 2024-11-19 - 来自专栏拓端tecdat
Python用T-SNE非线性降维技术拟合和可视化高维数据iris鸢尾花、MNIST 数据|附代码数据
在本教程中，我们将简要了解如何在 Python 中使用 TSNE 拟合和可视化数据。 教程涵盖： 鸢尾花数据集TSNE拟合与可视化 MNIST 数据集 TSNE 拟合和可视化 我们将从加载所需的库和函数开始。 x = iris.data y = iris.target 然后，我们将使用 TSNE 类定义模型，这里的 n_components 参数定义了目标维度的数量。' 我们只提取数据集的训练部分，因为这里用TSNE来测试数据就足够了。TSNE需要太多的时间来处理，因此，我将只使用3000行。 现在，我们将使用 TSNE 将其投影到二维中，并在图中将其可视化。
1.2K10编辑于 2023-05-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号