【机器学习】pca和sklearn运用实战

最新推荐文章于 2023-08-10 14:59:01 发布
最新推荐文章于 2023-08-10 14:59:01 发布
阅读量774 收藏 2
点赞数
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/a19910112/article/details/89788716
版权
本文介绍了PCA（主成分分析）在数据降维和特征选择中的作用，详细阐述了PCA的求解方法，包括对称矩阵的特征值分解和非对称矩阵的SVD分解。通过sklearn库在iris数据集上的实例展示了PCA的使用，并讨论了PCA的参数设置。
摘要由CSDN通过智能技术生成

pca

pca可用于数据降维，也可以用于特征选择。pca通过将数据集映射到方差最大的方向上，保留影响分类最大的因素，减少数据维数。

pca求解方法

pca如何将数据集映射到方差最大的方向上呢？

对于方阵而言

通过特征值 λ \lambda λ和特征向量 x x x，即 A x = λ x Ax=\lambda x Ax=λx，将特征值从大到小排序，选择特征值较大的特征向量就是方差较大的方向。

对于不是方阵的矩阵

通过SVD来求解，将矩阵分解成 A = U ∑ V A=U\sum V A=U∑

最低0.47元/天 解锁文章
a19910112
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
sklearn之PCA
weixin_45580742的博客
02-24 460
属性components_， 输出降维后新的特征空间 print(PCA(2).fit(x).components_) # svd求出的新的特征空间 属性explained_variance_ratio_， 查看降维后每个新特征向量所占的信息量占原始数据总信息量的百分比，又叫做可解释方差贡献率 print(PCA(2).fit(x).explained_variance_ratio_) # ar...
用Python的sklearn库进行PCA（主成分分析）
热门推荐
puredreammer的博客
08-20 15万+
在python的sklearn的库里面集成很多机器学习算法的库，其中也包括主成分分析的方法。 接下来讲讲怎么在python里面使用pca算法 首先要导入库： from sklearn.decomposition import PCA 下面是官网上的例子： >>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3
PCA-特征提取
蜗牛
05-22 4万+
介绍在这篇文章中，我们讨论主成分分析（PCA）是如何工作的，以及它如何被用来作为分类问题的降维技术。在这篇文章的末尾，出于证明的目的提供了Matlab源代码。在前面的文章中，我们讨论了所谓的维数诅咒，表明在高维空间分类器倾向于过度拟合训练数据。接下来产生的问题是哪些特征应该保留，哪些应该从高维特征向量中删除。如果此特征向量的所有特征是统计独立的，可以简单地从这个向量中消除最小的判别特征。通过各种贪婪
sklearn.decomposition中的主成分pca应用
最新发布
qq_57918763的博客
08-10 293
主成分pca降维
归因分析笔记10 PCA特征重构
越开源越幸运
03-19 3963
PCA逆转换实验 创建pcaInverseDemo.py进行尝试 先试一下调包, 然后对比手刻的代码 sklearn的逆转换 建立简单矩阵, PCA转换, 输出值 import numpy as np from sklearn import decomposition # 建立简单矩阵 X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]]) # 将含有2个特征的数据经过PCA压
机器学习(28)【降维】之sklearn中PCA库讲解与实战
机器学习算法与Python学习
11-27 3042
微信公众号 关键字全网搜索最新排名 【机器学习算法】：排名第一 【机器学习】：排名第一 【Python】：排名第三 【算法】：排名第四 前言 在（机器学习(27)【降维】之主成分分析(PCA)详解）中，对主成分分析的原理做了总结，本章总结如何使用scikit-learn工具来进行PCA降维。 sklearn中PCA介绍 在scikit-learn中，与PCA相关的类都在sklea
机器学习代码实战——PCA（主成分分析）
12-22
from sklearn.datasets import load_iris #sklearn中导入load_iris数据 import matplotlib.pyplot as plt from sklearn.preprocessing import StandardScaler %matplotlib inline 加载数据，构建DataFrame iris = ...
Sklearn实战教程（jupyter notebook）
02-27
**Sklearn实战教程**是针对数据科学家和机器学习爱好者的一份详尽指南，它涵盖了Scikit-learn（简称Sklearn）库的各种用法。Sklearn是Python中最广泛使用的机器学习库，提供了大量的监督和无监督学习算法，以及数据...
机器学习30天进阶实战
03-20
购买课程后，添加小助手微信（微信号：csdn500）回复【唐宇迪】进入学习群，获取唐宇迪老师答疑本课程旨在帮助大家掌握机器学习中的经典算法与实战策略，从实战角度出发，通过实际的案例来讲解算法的应用与提升。进阶篇引入当下热门的计算机视觉与自然语言处理，结合tensorflow框架展开实战分析，帮助同学们使用机器学习中的高阶算法进行实际应用。
Python sklearn库实现PCA教程(以鸢尾花分类为例)
09-17
今天小编就为大家分享一篇Python sklearn库实现PCA教程(以鸢尾花分类为例)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
机器学习 07：PCA 及其 sklearn 源码解读
大家好~我是SP_FA~
05-28 1298
概述 Principal Component Analysis 即主成分分析的主要思想是将 n 维特征映射到 k 维上，这 k 维是全新的正交特征也被称为主成分，是在原有 n 维特征的基础上重新构造出来的 k 维特征。PCA 的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，其中，第一个新坐标轴选择是原始数据中方差最大的方向，第二个新坐标轴选取是与第一个坐标轴正交的平面中使得方差最大的，第三个轴是与第 1,2 个轴正交的平面中方差最大的，依次类推，得到 n 个这样的坐标轴。通过这种方式获得的新的坐标
sklearn——主成分分析PCA操作实例
LRJ的博客
04-23 2755
import matplotlib.pyplot as plt from sklearn.decomposition import PCA import numpy as np #随便弄一个四维数组来试验一下 DF = np.array([[0,1,4,3], [1,2,8,9], [2,4,16,81], [2,5,20,243], [4,6,24,729]]) #样本数不能少于维数 #如.
用sklearn进行PCA（主成分分析）
今天你学习了吗？
05-24 1万+
PCA主要是用来数据降维，将高纬度的特征映射到低维度的特征，加快机器学习的速度。 原理： 在这个图片中，我们用两个特征来描述样本，分别是attack，defense。但如右图所示，作两条线，可以看出在右边这条线上有较大的方差，而左边这条线的方差比较小。方差越大，所包含的信息就越多。那么如何把这两个特征进行降维呢，降维要尽可能保持原始数据的信息，故要取使方差最大的一个维度（本例中从二维降到一维）。假设右边这条线的方差最大，我们就可以把这条线所在的直线当作降维后的一个维度。也就是二维降到一维后，这.
sklearn主成分分析pca用python实现（多媒体实验二）
长门yuki
04-13 1636
原理建议看这篇博客：PCA的数学原理。写的非常清楚，弄明白 实例就差不多懂了。 但是弄明白不会写代码，那可以看看这个视频：Python 实战 PCA / 主成分分析（文刀出品）。 过程很简单，总结如下： 矩阵X的维度是(m,n)。表示m组数据，n维向量。 #即先处理数据 先对x去均值。（是否标准化看情况） X_mean = np.mean(data, axis=0) sdata=(data-X_mean) 求协方差XTX^{T}XT的特征值(ew)和特征向量（ev)。调用np.linalg.e
sklearn机器学习之PCA降维案例二（手写数字图片降维）
m0_45184077的博客
03-10 986
1.导入相应包 from sklearn.decomposition import PCA from sklearn.ensemble import RandomForestClassifier as RFC from sklearn.model_selection import cross_val_score import matplotlib.pyplot as plt import pandas as pd import numpy as np 2.准备数据集 data = pd.read_csv(
【python】sklearn中PCA的使用方法
人间不值得
07-09 11万+
from sklearn.decomposition import PCA PCA 主成分分析（Principal Components Analysis），简称PCA，是一种数据降维技术，用于数据预处理。 PCA的一般步骤是：先对原始数据零均值化，然后求协方差矩阵，接着对协方差矩阵求特征向量和特征值，这些特征向量组成了新的特征空间。 sklearn.decomposition.PC...
【降维】之sklearn中PCA库讲解与实战
it_a_question的博客
12-08 1万+
前言在（机器学习(27)【降维】之主成分分析(PCA)详解）中，对主成分分析的原理做了总结，本章总结如何使用scikit-learn工具来进行PCA降维。sklearn中PCA介绍在scikit-learn中，与PCA相关的类都在sklearn.decomposition包中。最常用的PCA类就是sklearn.decomposition.PCA。除了PCA类以外，最常用的PCA相关类还有Kerne
sklearn专题四：降维算法
Colorfully_lu的博客
12-17 2992
1 概述 1.1 从什么叫“维度”说开来 在过去的三周里，我们已经带大家认识了两个算法和数据预处理过程。期间，我们不断提到一些语言，比如说：随机森林是通过随机抽取特征来建树，以避免高维计算；再比如说，sklearn中导入特征矩阵，必须是至少二维；上周我们讲解特征工程，还特地提到了，特征选择的目的是通过降维来降低算法的计算成本……这些语言都很正常地被我用来使用，直到有一天，一个小伙伴问了我，”维度“到底是什么？ 对于数组和Series来说，维度就是功能shape返回的结果，shape中返回了几个
scikit-learn 0.18.2：Python机器学习实战指南
"scikit-learn用户手册0.18.2版" ...scikit-learn是一个全面且强大的机器学习工具包，适合从初学者到高级开发者的各种需求，通过其丰富的功能和易用的接口，使得在Python中实现机器学习任务变得简单高效。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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