降维

一、什么是维度

数组和Series：维度就是功能shape返回的结果，shape中返回了几个数字就是几维。
特征矩阵或Dataframe：维度就是样本的数量或特征的数量。
图像：维度就是图像中特征向量的数量

二、什么是降维

降维算法中的“降维”，指的是降低特征矩阵中特征的数量。
降维的目的：1、让算法运算更快，效果更好；2、数据可视化

三、sklearn中的降维算法

四、PCA的实现

from sklearn.decomposition import PCA
pca = PCA(n_components=2	#实例化,n_components是我们降维后需要的维度。n_components=“mle”表示用最大似然估计
		  )
# pca = PCA(n_components=0.97，svd_solver="full")) #按信息量占比选超参数，表示保留百分之多少的信息量。#n_components=0.97表示保留97%的信息量
pca = pca.transform(x)	#拟合模型
X_dr = pca.transform(X) #获取新矩阵
X_dr
#也可以fit_transform一步到位
#X_dr = PCA(2).fit_transform(X)

五、PCA的重要属性

components_查看选择后的特征

六、重要接口

注意：PCA降维后的数据不具有解释性，并且用inverse_transform也恢复不了原数据

#将降维后的矩阵用inverse_transform返回原空间
x_inverse = pca.inverse_transform(X_dr)

七、应用

（1）高维数据可视化

将多维转化为含有二维特征的数据，然后进行画图，可以查看数据的大致分布图

在这里插入代码片