本文介绍三种常用降维方法 PCA、t-sne、Umap 的 Python 实现。

数据集 {#数据集}

提取游戏音频 5.7W 段，提取声音指纹特征，放在 fea.json 文件中用于测试。

PCA {#PCA}

主成分分析方法(Principal Component Analysis，PCA)是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。

示例代码 {#示例代码}

测试效果 {#测试效果}

t-SNE {#t-SNE}

t-分布领域嵌入算法(t-Distributed Stochastic Neighbor Embedding，t-SNE)是一种降维技术，用于在二维或三维的低维空间中表示高维数据集，从而使其可视化。与其他降维算法(如PCA)相比，t-SNE创建了一个缩小的特征空间，相似的样本由附近的点建模，不相似的样本由高概率的远点建模。

示例代码 {#示例代码-2}

测试效果 {#测试效果-2}

Umap {#Umap}

UMAP（Uniform Manifold Approximation and Projection for Dimension Reduction，一致的流形逼近和投影以进行降维）。 一致的流形近似和投影（UMAP）是一种降维技术，类似于t-SNE，可用于可视化，但也可用于一般的非线性降维。

示例代码 {#示例代码-3}

测试效果 {#测试效果-3}

参考资料 {#参考资料}

• https://blog.csdn.net/ZGY9542/article/details/125362040
• https://zhuanlan.zhihu.com/p/62470700

文章链接：
https://www.zywvvd.com/notes/study/machine-learning/dimension-reduction/dedu-dim/