机器学习——PCA练习

最新推荐文章于 2024-09-07 12:39:07 发布
最新推荐文章于 2024-09-07 12:39:07 发布
阅读量2.2k 收藏 5
点赞数 1
分类专栏： 机器学习 文章标签： 机器学习 鸢尾花数据集 PCA降维 画图
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/joker_shy/article/details/98967222
版权
本文通过鸢尾花数据集展示了PCA（主成分分析）的应用。首先，导入所需库并加载数据集，接着将数据分为特征和标签。接着创建PCA实例，保留两个主成分，并输出其方差百分比。最后，使用特定颜色对数据进行分组并进行可视化展示。
摘要由CSDN通过智能技术生成

数据集

这里用到的数据集是鸢尾花数据集

题目要求

1.　导入必要的库
2.　加载sklearn库自带的鸢尾花数据集
3.　将数据集划分为样本特征和样本类型
4.　构建PCA实例，其中n_components设置为2
5.　传入数据给模型
6.　打印输出所保留的n个成分各自的方差百分比
7.　对花的颜色进行特征分组，分为：[‘navy’, ‘turquoise’, ‘darkorange’]
8.　循环打印输出结

代码如下

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA

# 读取数据
data = load_iris(
最低0.47元/天 解锁文章
joker_shy
关注
专栏目录
机器学习之PCA理论及实战练习
NLP与推荐算法
12-26 731
首发地址被屏蔽了。 SVD是奇异值分解 一、一般概念 酉矩阵：设AÎCn×n,C可以是复矩阵，实矩阵，如果A*A=I（单位阵），则称A为酉矩阵；当A是实矩阵时，就是我们常见的实正交矩阵。 Hermite矩阵：如果A*=A,那么A是Hermite矩阵，若A是实矩阵，称A为对称矩阵。 正规矩阵：如果A*A=AA*，那么称A为正规矩阵。酉矩阵和Hermite矩阵均属于正规矩阵...
【machine learning】徒手实现PCA——训练篇
donnydcy的专栏
08-04 1421
最近在休假，没事儿写写总结。年龄大了，本来以前用的很熟，理解很到位的东西，现在一时半会儿却想不出来了。索性有时间做做总结，方便自己，也惠及大家~ 这篇文章主要介绍PCA的训练。在百度文库、百科里看到许多相关的词条，但是有些方法细节写的并不是很清楚，如果读者需要代码实现，要走很多弯路。结合我的理解，以及在CMU的课程学习和实践，把一些细节详细记述一下。这里主要使用了矩阵的描述，其实是将很长很长的公
吴恩达机器学习课后习题（PCA算法）
qq_42333474的博客
08-20 1368
一、PCA算法 PCA算法为主成分分析算法，在数据集中找到“主成分”，可以用于压缩数据维度。 二、实现PCA算法 导入数据包。 import numpy as np import matplotlib.pyplot as plt from scipy.io import loadmat 导入一个二维数据，并绘制散点图。 data = loadmat("E:\\Pycharm\\workspace\\ex_Andrew\\ex7_Andrew\\ex7data1.mat") X = data['X'] #X
数学建模笔记—— 主成分分析（PCA)
最新发布
lbm666666的博客
09-07 2609
主成分分析是对于原先提出的所有变量,将重复的变量(关系紧密的变量)删去多余,建立尽可能少的新变量,使得这些新变量是两两不相关的,且这些新变量在反映课题的信息方面尽可能保持原有的信息。因此,人们会很自然地想到,能否在相关分析的基础上,用较少的新变量代替原来较多的旧变量,而且使这些较少的新变量尽可能多地保留原来变量所反映的信息?我们可以把多种指标中综合成几个少数的综合指标,做为分类的型号,将十几项指标综合成3项指标,一项是反映长度的指标,一项是反映胖瘦的指标,一项是反映特殊体型的指标。怎么找到新的维度呢?
主成分分析练习（PCA）
yangmaoda的博客
10-07 411
主成分分析练习（PCA） 原始数据： 程序： import numpy as np def pca(data): row = np.size(data, 0) #行 col = np.size(data, 1) #列 avg = np.zeros([1, col]) for i in range(col): avg[0, i] = np.mean(data[:, i]) for i in range(col): data[:, i]
机器学习课程练习（三）——PCA与whitening
掠雪墨影的随记
01-09 1048
前言 斯坦福的UFLDL教程每一个章节都配有练习 本文是PCA与whitening这一章节的练习的解答 练习的目的是学习PCA与Whitening的基本知识 具体内容可以浏览课程网页 注意 这个练习的数据不是图像，要对每一维分别求均值，而不是对每个数据求自己的均值！ step 1a：获得PCA的U矩阵 u = zeros(size(x, 1)); % You need to com
数据挖掘之PCA降维练习
qq_39409944的博客
05-17 1132
参考文章：https://blog.csdn.net/eastmount/article/details/53285192 特征降维是指采用一个低纬度的特征来表示高纬度。特征降维一般有两类方法：特征选择（Feature Selection）和特征提取（Feature Extraction）。 1.特征选择是从高纬度的特征中选择其中的一个子集来作为新的特征。最佳子集是以最...
机器学习——PCA降维
胭脂草的ABC博客
05-05 519
PCA（Principal Component Analysis） 是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。 PCA 的数学推导可以从最大可分型和最大重构性两方面进行，前者的优化条件为划分后方差最大，后者的优化条件为点到划分平面距离最小。由于基于最大重构性的 PCA 其与 LDA（线性判别法）的数学推导有异曲同工之处，所以我只从最大可分性进行证明，而最大重构...
【机器学习】降维——PCA
Xiebe的博客
11-24 557
PCA（Principal Component Analysis） 是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。PCA 的数学推导可以从最大可分型和最近重构性两方面进行，前者的优化条件为划分后方差最大，后者的优化条件为点到划分平面距离最小，这里我将从最大可分性的角度进行证明。
机器学习编程练习——使用PCA和随机森林算法对鸢尾花数据进行分类
onesmile5137的博客
08-13 4661
上周学习了吴恩达的降维章节，并且自学了随机森林算法。今天完成了简单的编程练习，并作一些简单的心得笔记。 随机森林算法： 随机森林可以简单的看作是多颗决策树的集合，最终的模型结果由这些树的众数来决定。 优点： 随机森林的既可以用于回归也可以用于分类任务，并且很容易查看模型的输入特征的相对重要性。随机森林算法被认为是一种非常方便且易于使用的算法，因为它是默认的超参数通常会产生一个很好的预测结果。超参数...
吴恩达-机器学习课后题07-PCA-图像降维
weixin_42673117的博客
12-25 658
1、题目 题目：使用PCA的方法，对图像进行降维处理 2、解题 1、导入数据 mat = sio.loadmat(path) print(mat.keys()) X = mat['X'] 2、显示数据内容 利用前面手写数字识别时定义的显示图片的方法，显示前100张图片 def plot_100_image(): fig,ax = plt.subplots(ncols=10,nrows=10,figsize=(10,10)) for i in range(10): for j
PCA分析学习
05-06
主要是PCA的相关程序，包括处理，图形表达。可以按照自己的需求去改。
PCA算法实例
10-12
此为MATLAB程序，里面详细介绍了PCA主成分分析，并附有数据，希望对大家有帮助。
Python3入门机器学习（七）- PCA
weixin_34056162的博客
01-13 775
由于简书不支持目录结构。文章备份了一份在gitbook，结构更清晰，地址：book.markgao.me/ 1.PCA简介 PCA（Principal Component Analysis）：也是一个梯度分析的应用，不仅是机器学习的算法，也是统计学的经典算法 1.1 举个栗子 例如下面一个两个特征的一个训练集，我们可以选择一个特征，扔掉一个特征 下图分别是扔掉了特征一和特征二的两种方案，很明...
PCA主成成分分析例题详解
Infinity_and_beyond的博客
05-07 4230
主成分分析是一种降维算法，它能将多个指标转换为少数几个主成分，这些主成分是原始变量的线性组合，且彼此之间互不相关，其能反映出原始数据的大部分信息。
主成分分析PCA 原理+作业
wujing1_1的博客
05-25 508
文章目录PCA1. 简介1.1 介绍1.2 数学准备协方差协方差矩阵2. 流程3. 性质4. 作业4.1 作业1 PCA 提取特征脸4.2 作业二 Eigenface1. 加载数据2. 主成分分析3. 测试4. 结果 PCA 1. 简介 1.1 介绍 PCA（Principal Component Analysis） 是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。 1.2 数学准备 协方差 在一维空间中我们可以用方差来表示数据的分散程度。而对于高维数据，我们用协方差进行约束，
13、PCA考试部分题库，希望给大家省点力气哈！！！
sllyx1206的博客
09-19 1441
想考PCA认证的，请认真学习以下笔记（学霸笔记，必过过过）
数据分析面试【机器学习】总结之-----PCA主成成分分析 常见面试题整理
天阑之蓝的博客
08-14 3625
阅读之前看这里????：博主是正在学习数据分析的一员，博客记录的是在学习过程中一些总结，也希望和大家一起进步，在记录之时，未免存在很多疏漏和不全，如有问题，还请私聊博主指正。 博客地址：天阑之蓝的博客，学习过程中不免有困难和迷茫，希望大家都能在这学习的过程中肯定自己，超越自己，最终创造自己。 目录1.PCA定义2.PCA具体计算步骤3.降维之后的维度怎么确定4.降维的必要性5.降维的目的：6.给你一个数据集。该数据集包含很多变量，你知道其中一些是高度相关的。经理要求你用PCA。你会先去掉相关的变量吗？为什
数学建模之主成分分析（PCA）
学习笔记
01-08 7014
由于在学习数学建模的过程中，复现建模书上的题目代码有点小麻烦，因为我找不着书上的数据，因此得一个个手打，本来已经复现了好几个模型，结果因为机械硬盘坏了，里面的东西全没了，很是无语，因此决定在这里记录我的复现代码，主要是给自己看的，等到想用的时候就可以直接拿来用了。 主成分分析 可以用于降维，可以用于评价 下面展示一道例题 这是书上的一道例题，需要使用主成分分析的方法进行评价。以前我一直以为PCA就是用来降维的，没想到还可用来评价，究其原因，我们都知道PCA降维会计算特征向量，其特征向量与原特征的积就是计算
Matlab机器学习实战练习详解
资源摘要信息:"基于Matlab进行机器学习的练习" 在当前的IT和数据科学领域，机器学习已经成为一个极为重要的主题。Matlab作为一种功能强大的数学计算与可视化软件，为机器学习的实践提供了极好的平台。本练习旨在...
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