PCA实现

最新推荐文章于 2024-10-02 10:53:34 发布

beautifulding

最新推荐文章于 2024-10-02 10:53:34 发布

阅读量75

点赞数

文章标签： python

本文链接：https://blog.csdn.net/beautifulding/article/details/120644771

版权

这段代码展示了如何使用numpy对数据进行预处理，包括计算平均值、调整数据、计算方差和协方差矩阵，然后进行特征值分解以执行主成分分析（PCA）。PCA用于降低数据的维度，最终将调整后的数据投影到主成分上。

摘要由CSDN通过智能技术生成

import numpy as np

Data = np.array([[2.5, 2.4],
                    [0.5, 0.7],
                     [2.2, 2.9],
                     [1.9, 2.2],
                     [3.1, 3.0],
                     [2.3, 2.7],
                     [2, 1.6],
                     [1, 1.1],
                     [1.5, 1.6],
                     [1.1, 0.9],
                     ])
avg_x = np.average(Data[:, 0])
avg_y = np.average(Data[:, 1])
avg = np.array([avg_x, avg_y])
DataAdjust = Data-avg
Variance_x = np.sum(DataAdjust[:,0]*DataAdjust[:, 0])/9
Variance_y = np.sum(DataAdjust[:,1]*DataAdjust[:, 1])/9
Cov_xy = np.sum(DataAdjust[:,0]*DataAdjust[:, 1])/9
C = np.array([[Variance_x, Cov_xy],
             [Cov_xy, Variance_y]])
eigenvalues, eigenvectors = np.linalg.eig(C)
max_values = np.array(max(eigenvalues))
max_vectors = np.array([eigenvectors[0][1],eigenvectors[1][1]])


FinalData = np.dot(DataAdjust, max_vectors.T).reshape(10, 1)
print(FinalData)