一、模块
sklearn. feature_selection
二、定义
高维数据转化为低维数据的过程,在此过程中可能会舍弃原有数据、创造新的变量
使数据维数压缩,尽可能降低原数据的维数(复杂度),损失少量信息。
**应用: **回归分析或者聚类分析当中
![](https://i-blog.csdnimg.cn/blog_migrate/dd112ed47ee2f7b161abc47e0885f071.png)
三、API
-
sklearn.decomposition.PCA(n_components=None)
-
-
将数据分解为较低维数空间
-
n_components
-
- 小数:表示保留百分之多少的信息
- 整数:减少到多少特征
-
PCA. fit_transfor( X) X :numpy array格式的数据
-
[n_samples, n_features]
-
返回值:转换后指定维度的array
-
四、代码实现
from sklearn.decomposition import PCA
def pca_demo():
#pca降维
data = [[2,8,4,5],[6,3,0,8],[5,4,9,1]]
#1、实例化一个转换器类
transfer = PCA(n_components=2)
#2、调用fit_transform
data_new = transfer.fit_transform(data)
print("data_new: \n",data_new)
return None
五、运行结果
data_new:
[[ 1.22879107e-15 3.82970843e+00]
[ 5.74456265e+00 -1.91485422e+00]
[-5.74456265e+00 -1.91485422e+00]]