python使用pca与lda数据降维

最新推荐文章于 2023-01-06 21:08:05 发布

井上泷奈

最新推荐文章于 2023-01-06 21:08:05 发布

阅读量637

点赞数

文章标签： python 机器学习人工智能

本文链接：https://blog.csdn.net/cris_tian/article/details/125900981

版权

import numpy as np
import matplotlib.pyplot as plt


def PCA(data, n):
    from sklearn.decomposition import PCA
    pca = PCA(n_components=n)  # n为降到的维数，这里降到的是2维
    pca_result = pca.fit_transform(data)  # 获取降维后的数据，无监督只需要data
    return pca_result  # 返回降维后的数据列表


def LDA(data, target, n):
    from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA
    lda = LDA(n_components=n)
    lda_result = lda.fit_transform(data, target)  # 监督式学习，data和target
    return lda_result


def plot(data, target, n):
    pca_result = PCA(data, n)  # 调用PCA获取降维后的函数
    lda_result = LDA(data, target, n)  # 调用LDA获取降维后的函数

    plt.subplot(1, 2, 1)  # 降维后的数据依据target来画点
    plt.scatter(pca_result[target == 0, 0], pca_result[target == 0, 1], color='#66CCFF')  # 不同标签使用不同颜色
    plt.scatter(pca_result[target == 1, 0], pca_result[target == 1, 1], color='#EE0000')  # 标签为1
    plt.scatter(pca_result[target == 2, 0], pca_result[target == 2, 1], color='#99FFFF')
    plt.scatter(pca_result[target == 3, 0], pca_result[target == 3, 1], color='#9999FF')
    plt.scatter(pca_result[target == 4, 0], pca_result[target == 4, 1], color='#FFFF00')
    plt.scatter(pca_result[target == 5, 0], pca_result[target == 5, 1], color='#99CC33')
    plt.title('PCA')

    plt.subplot(1, 2, 2)
    plt.scatter(lda_result[target == 0, 0], lda_result[target == 0, 1], color='#66CCFF')
    plt.scatter(lda_result[target == 1, 0], lda_result[target == 1, 1], color='#EE0000')
    plt.scatter(lda_result[target == 2, 0], lda_result[target == 2, 1], color='#99FFFF')
    plt.scatter(lda_result[target == 3, 0], lda_result[target == 3, 1], color='#9999FF')
    plt.scatter(lda_result[target == 4, 0], lda_result[target == 4, 1], color='#FFFF00')
    plt.scatter(lda_result[target == 5, 0], lda_result[target == 5, 1], color='#99CC33')
    plt.title('LDA')

    plt.show()


if __name__ == '__main__':
    load_data = np.load('./feat_before_classifier_set.npy', encoding="latin1")  # 加载数据
    testdata = [[]]*720  # 创建一个二维数组（加载的数据sklearn框架无法直接读取）
    for i in range(720):
        testdata[i] = load_data[i][0]  # 读取数据，放到二维数组中
    print(testdata[0])
    load_target = np.load('./label.npy')  # 加载标签
    n_components = 2  # 数据降到二维
    plot(testdata, load_target, n_components)  # 画图