【机器学习】特征降维 - 主成分分析PCA_主成分分析法特征降维(1)

最新推荐文章于 2024-06-25 09:45:55 发布

2401_84520377

最新推荐文章于 2024-06-25 09:45:55 发布

阅读量636

点赞数 10

分类专栏：程序员文章标签：网络安全学习面试

本文链接：https://blog.csdn.net/2401_84520377/article/details/138793779

版权

程序员专栏收录该内容

175 篇文章 0 订阅

订阅专栏

还有兄弟不知道网络安全面试可以提前刷题吗？费时一周整理的160+网络安全面试题，金九银十，做网络安全面试里的显眼包！

王岚嵚工程师面试题（附答案），只能帮兄弟们到这儿了！如果你能答对70%，找一个安全工作，问题不大。

对于有1-3年工作经验，想要跳槽的朋友来说，也是很好的温习资料！

【完整版领取方式在文末！！】

93道网络安全面试题

内容实在太多，不一一截图了

黑客学习资源推荐

最后给大家分享一份全套的网络安全学习资料，给那些想学习网络安全的小伙伴们一点帮助！

对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。

😝朋友们如果有需要的话，可以联系领取~

1️⃣零基础入门

① 学习路线

对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。

② 路线对应学习视频

同时每个成长路线对应的板块都有配套的视频提供：

2️⃣视频配套工具&国内外网安书籍、文档

① 工具

② 视频

③ 书籍

资源较为敏感，未展示全面，需要的最下面获取

在这里插入图片描述

② 简历模板

在这里插入图片描述

因篇幅有限，资料较为敏感仅展示部分资料，添加上方即可获取👆

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以点击这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

一、主成分分析

主成分分析（Principal Component Analysis，PCA），是一种「统计」方法。通过正交变换将一组可能存在「相关性」的变量转换为一组「线性不相关」的变量，转换后的这组变量叫「主成分」。

统计变量时，变量个数太多并且有很强的相关性，也就是有很多「相似」的变量，这些变量会增加分析的工作量和「复杂性」。

而主成分分析可以根据变量之间的相关性，建立新的变量来替代哪些重复且不重要的变量；也就是用较少的变量来代替原来较多的变量，并可以反映原来多个变量的大部分信息，从而提升处理数据的「速度」。

比如评选三好学生，每个学生有身高、体重、家境、成绩等多个特征，但身高、体重这些特征对于评选来说是无用的，那我们就去掉这种无用特征，用成绩来代替他们。

sklearn.decomposition.PCA( n_components=None )

PCA.fit_transform( data ) ：接收数据并进行降维
PCA.inverse_transform( data )：将降维后的数据转回原始数据
PCA.get_covariance()：获取协方差数据
PCA.get_params()：获取模型数据
n_components：指定维度（小数：最终保留百分之多少的信息，整数：减少到多少特征）

二、指定维度

n_components 参数为「整数」，意思是降低到「指定维度」。

from sklearn import decomposition

# 测试数据
data = [[2,8,4,5], [6,3,0,8], [5,4,9,1]]

# 初始化
pca = decomposition.PCA(n_components=2)

# 降维
result = pca.fit_transform(data)
print(result)

输出：

[[ 1.28620952e-15  3.82970843e+00]
 [ 5.74456265e+00 -1.91485422e+00]
 [-5.74456265e+00 -1.91485422e+00]]

从结果可以看到，特征从原本的3维降低到现在的2维。

PS：本来有3列，称为3维度；降维后变成2列，称为2维。

三、保留比例

n_components参数为「小数」，意思是降维后保留百分之多少的信息。

from sklearn import decomposition

# 测试数据
data = [[2,8,4,5], [6,3,0,8], [5,4,9,1]]

# 初始化
pca = decomposition.PCA(n_components=0.30)

# 降维
result = pca.fit_transform(data)
print(result)

输出：

[[ 1.28620952e-15]
 [ 5.74456265e+00]
 [-5.74456265e+00]]

从结果可以看到，特征有原来的4维降低到1维，只保留了30%的信息。

四、获取协方差

from sklearn import decomposition

# 测试数据
data = [[2,8,4,5], [6,3,0,8], [5,4,9,1]]

# 初始化
pca = decomposition.PCA(n_components=2)

# 降维
result = pca.fit_transform(data)
print(pca.get_covariance())

输出：