Machine learning 如何在一个可视化绘图中绘制两组高维数据进行比较？

我试图比较我从GAN（生成的对抗网络）生成的样本（即MNIST数字图像）。 对于我的第一个实验，GAN训练不成功，因此生成的样本与真实MNIST图像不相似。 在我的第二个实验中，GAN训练非常成功，因此生成的样本应该与真实的MNIST样本在可视化绘图中很好地重叠。

上面的示例图显示了我希望实现的目标： （1） 第一个图显示了原始真实图像的分布 （2） 第二幅图显示，GAN1的结果与实际数据没有很好的重叠 （3） 第三幅图显示，GAN2的结果与实际数据吻合良好

---

有人能提供一些指导吗？什么是用Python绘制类似内容的好方法，并提供一些示例代码？

您可以尝试使用降维方法，如，或者将图像的维数降低到2，然后按照您已经指出的那样绘制图像

以下是python中的一些示例代码：

将numpy导入为np
将matplotlib.pyplot作为plt导入
从sklearn.decomposition导入PCA
从sklearn.manifold导入TSNE
X_real=…#真实图像，例如1000个图像作为矢量
X_gan=…#从具有相同形状的GAN生成图像
X=np.vstack（[X_real，X_gan]）#垂直叠加矩阵
X_pca=pca（n_分量=50）。拟合_变换（X）#对于高维数据，建议在使用t-SNE之前先降维（例如50）
嵌入X_=TSNE（n_分量=2）。拟合变换（X_pca）
#使用相应的类和方法标签打印点
plt.散射（…）

---

您可以直接使用PCA或上述其他方法代替t-SNE。

谢谢您的指导。我觉得直接应用PCA并不能将不同的类分开足够远，所以tSNE似乎更好。但是，tSNE每次都会生成不同的绘图，因此我无法合并由不同tSNE运行生成的两个绘图。你能告诉我如何解决这个问题吗？这是tSNE的缺点之一，每次运行它都会产生不同的结果。您可以执行以下操作：使用不同的种子多次运行tSNE，使用标签为每次运行计算集群度量，并将其平均。聚类度量应该是“坏”的，这意味着不可能区分真实数据和虚假数据。或者，在单个类上运行PCA，例如仅1，然后查看是否可以区分真实数据和虚假数据。另一种可能是在真实数据上训练分类器，然后在伪数据上测试，或者反过来，在真实数据上训练伪测试。如果数据无法区分，则两组数据的性能应相同。