Python进行PCA降维,以及可视化

Python进行PCA降维

 

值得参考:

https://www.cnblogs.com/pinard/p/6243025.html

 

 

 

# 为什么要进行PCA?
# s1:降维,进行可视化。
# 找矩阵,数据背后的主成分?



from sklearn.decomposition import PCA
import pandas as pd
import numpy as np


dataMat = np.random.random((10,10))
pca_sk = PCA(n_components=2)
newMat = pca_sk.fit_transform(dataMat)
#PCA降维之后的结果如何解释?



#高维数据空间的可视化?

 

降维之后进行可视化

plt.scatter(X_new[:, 0], X_new[:, 1],marker='o')
plt.show()

 

 

 

# 为什么要进行PCA?
# s1:降维,进行可视化。
# 找矩阵,数据背后的主成分?



from sklearn.decomposition import PCA
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt


dataMat = np.random.random((1000,1000))
pca_sk = PCA(n_components=2)
newMat = pca_sk.fit_transform(dataMat)
#PCA降维之后的结果如何解释?

plt.scatter(newMat[:, 0], newMat[:, 1],marker='o')
plt.show()

#高维数据空间的可视化?

 

可以看到当上升到1000维度时,降维之后,呈现出了高斯分布。

 

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值