对高光谱数据集Indian 进行t-SNE可视化编程

好的，下面就让我们来对高光谱数据集Indian进行 t-SNE 的可视化编程。具体步骤如下：

1.导入必要的库和数据：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.manifold import TSNE

# 读取数据
data = np.loadtxt('Indian_pines_corrected.txt')
labels = np.loadtxt('Indian_pines_gt.txt')

2.对数据进行降维：

# 将数据转换成二维数组
X = data.reshape((145*145, 200))

# 对数据进行降维
tsne = TSNE(n_components=2, perplexity=30, learning_rate=200)
X_tsne = tsne.fit_transform(X)

3.可视化降维后的数据：

# 绘制散点图
plt.figure(figsize=(10, 8))
plt.scatter(X_tsne[:, 0], X_tsne[:, 1], c=labels.reshape(145*145), cmap='jet')
plt.colorbar()
plt.show()

在这段代码中，我们对高光谱数据集进行了降维，并将结果可视化展示出来。其中，perplexity 参数指定了每个点周围的邻居数，learning_rate 参数指定了学习率。在可视化时，我们使用了 matplotlib 库中的 scatter 函数，c 参数指定了颜色，cmap 参数指定了颜色映射，colorbar 函数用于添加颜色条。运行代码后，我们可以看到高光谱数据集在二维空间中的可视化效果。