PCA降维及使用

1、降维作用

• 数据在低维下更容易处理、更容易使用；
• 相关特征，特别是重要特征更能在数据中明确的显示出来；如果只有两维或者三维的话，更便于可视化展示；
• 去除数据噪声
• 降低算法开销
  

import numpy as np
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt


ir=load_iris()
data=ir.data
target=ir.target

result=PCA(n_components=2).fit_transform(data)
red_x,red_y=[],[]
blue_x,blue_y=[],[]
green_x,green_y=[],[]


for i in range(len(result)):
    if target[i]==0:
        red_x.append(result[i][0])
        red_y.append(result[i][1])
    elif target[i]==1:
        blue_x.append(result[i][0])
        blue_y.append(result[i][1])
    elif target[i]==2:
        green_x.append(result[i][0])
        green_y.append(result[i][1])

# plt.figure(figsize=(5,12))
# plt.subplot(1,3,1)
plt.scatter(red_x,red_y,c="red")
# plt.subplot(1,3,2)
plt.scatter(blue_x,blue_y,c="blue")
# plt.subplot(1,3,3)
plt.scatter(green_x,green_y,c="green")
plt.show()