机器学习之主成分分析

作用：在高维变低维的过程中，有一些特征值相关系数很高，非常相关（比如特征值数据都为零。则可通过PCA进行筛选），所以会舍弃掉这些特征值，使得维数降低，且保持最多的特征
1.定义

数学描述：将二维坐标变一位坐标，并保留足够的点



将点左乘一个矩阵（固定），从而降维

2.API

sklearn.decomposition.PCA(n_components=None)
中参数若为2，则是转换为2维
若是小数，则是保留百分之多少的信息

代码实现：注意data是三行四列，四个特征值

from sklearn.decomposition import PCA


def PCA_demo():
    """
    将数据分解为较低的维数

    """
    data = [[2,8,4,5], [6,3,0,8], [5,4,9,1]]
    #注意这是三行四列的矩阵，4个特征值

    #1.赋值实例化
    transfer = PCA(n_components=2)
    #2.使用函数
    data_new = transfer.fit_transform(data)
    print('data_new:\n',data_new)

PCA_demo()
    

结果

data_new:
 [[ 1.22879107e-15  3.82970843e+00]
 [ 5.74456265e+00 -1.91485422e+00]
 [-5.74456265e+00 -1.91485422e+00]]