如何绘制MNIST数据集（或含10个预测维度的其他数据集）的预测结果？

一、通用降维算法（直接映射） #

• PCA（主成分分析）：最省心的线性降维方案，能最大程度保留数据的核心差异。操作步骤：

  1. 把所有样本的10维预测向量整理成一个N×10的矩阵（N是样本总数）
  2. 可选：如果各维度数值范围差异大，对矩阵做标准化处理
  3. 用PCA工具（比如sklearn里的sklearn.decomposition.PCA）将矩阵降到3维，每个样本就能得到对应的(x,y,z)坐标
  4. 直接用你已有的3D绘图代码渲染这些点即可
     要是你的预测向量是softmax输出的概率（每个维度都在0-1之间），标准化步骤可以省略。

• t-SNE：适合数据存在非线性聚类结构的场景，能把相似样本在3D空间里聚到一起，不同类样本拉开距离。唯一缺点是计算量比PCA大，样本量太大时速度会慢。用法和PCA一致，输入10维向量后直接输出3维坐标用于绘图。

二、自定义类别映射（贴合业务逻辑） #

因为你的向量是10类的预测结果，完全可以自己制定映射规则，让3维坐标的含义更直观：

• 分组加权求和：把10个类别按语义关联分成3组，每组对应一个3维分量。比如分类是动物的话，将哺乳动物归为一组计算x值，鸟类归为一组计算y值，爬行动物归为一组计算z值，每组内的类别置信度相加就是对应坐标值。这样每个坐标分量都有实际意义，看3D图时能直接对应到类别组的预测倾向。
• 硬分类固定坐标：如果只关心最终预测的类别（取置信度最高的那个），可以给每个类别分配一个唯一的3D点。比如类1对应(1,0,0)，类2对应(0,1,0)，类3对应(0,0,1)，剩余类别用(1,1,0)、(1,0,1)这类组合，10个类别足够分配。这样相同类别的样本会落在同一个点上，能一眼看出各类别的分布数量。

三、模型嵌入学习（适配深度学习场景） #

如果用的是深度学习模型，可以在训练时添加一个3维嵌入层，让模型自主学习将10维预测向量映射到3维空间，同时约束同类样本的嵌入点距离更近、不同类的更远。这种方法需要修改模型结构，但可视化结果会更贴合模型的决策逻辑。

内容的提问来源于stack exchange，提问作者ZeroorOne