机器学习——PCA练习

最新推荐文章于 2023-05-07 11:15:58 发布
最新推荐文章于 2023-05-07 11:15:58 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
12-26 720
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...
吴恩达机器学习课后习题（PCA算法）
qq_42333474的博客
08-20 1314
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
主成分分析练习（PCA）
yangmaoda的博客
10-07 382
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 1039
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 1111
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
05-05 496
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
11-24 536
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 4623
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...
【machine learning】徒手实现PCA——训练篇
donnydcy的专栏
08-04 1409
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
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。
PCA数据集.zip
08-18
包含testData.txt, testData3.txt, secom.data。半导体制造数据降维
吴恩达-机器学习课后题07-PCA-图像降维
weixin_42673117的博客
12-25 642
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
Python3入门机器学习（七）- PCA
weixin_34056162的博客
01-13 759
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
最新发布
Infinity_and_beyond的博客
05-07 3935
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。
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 3575
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 6974
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
PCA主成分分析学习
Swimmy_GY的博客
12-03 488
PCA训练的一般方法步骤从应用的角度实现降维： 1.那原始数据的每一个样本用一个向量表示，然后所有的样本组合起来就构成了一个矩阵，为了避免样本收到单位的影响，样本需要标准化。 2.求该矩阵的协方差矩阵。所谓协方差就是cov（X,Y）比较向量X Y的相关性，有正相关和负相关，0表示不相关。cov=sum[（Xi-mean（X））*（Yi-mean（Y））]/（n-1） 若X=Y，cov为方差。
PCA应用建议与误用解析——机器学习中的特征压缩
"这篇资源是关于主成分分析法（PCA）的应用建议，源自斯坦福大学2014年的机器学习课程，由吴恩达教授授课。笔记内容涵盖了PCA在计算机视觉中的应用，以及在减少过拟合和学习过程中的正确使用方法。" 主成分分析...
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