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)
PCA实现
最新推荐文章于 2024-10-02 10:53:34 发布
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