机器学习算法与Python实践(12) - sklearn中的 PCA 的使用

机器学习算法与Python实践(12) - sklearn中的 PCA 的使用

1、函数原型及参数说明

from sklearn.decomposition import PCA
pca = PCA(n_components='mle', copy=True, whiten=False)  # n_components可以自行的进行设置，设置为mle表示智能的进行降维
newData = pca.fit_transform(image)

参数说明：

n_components:
意义：PCA算法中所要保留的主成分个数n，也即保留下来的特征个数n
类型：int 或者 string，缺省时默认为None，所有成分被保留。
赋值为int，比如n_components=1，将把原始数据降到一个维度。
赋值为string，比如n_components=’mle’，将自动选取特征个数n，使得满足所要求的方差百分比。

copy:
类型：bool，True或者False，缺省时默认为True。
意义：表示是否在运行算法时，将原始训练数据复制一份。若为True，则运行PCA算法后，原始训练数据的值不 会有任何改变，因为是在原始数据的副本上进行运算；若为False，则运行PCA算法后，原始训练数据的 值会改，因为是在原始数据上进行降维计算。

whiten:
类型：bool，缺省时默认为False

意义：白化，使得每个特征具有相同的方差。关于“白化”，可参考：Ufldl教程

2、PCA对象的属性

components_ ： 返回具有最大方差的成分。
explained_variance_ratio_： 返回 所保留的n个成分各自的方差百分比。
n_components_： 返回所保留的成分个数n。
mean_：
noise_variance_：

3、PCA对象的方法

fit(X,y=None)
fit()可以说是scikit-learn中通用的方法，每个需要训练的算法都会有fit()方法，它其实就是算法中的“训练”这一步骤。因为PCA是无监督学习算法，此处y自然等于None。

fit(X)，表示用数据X来训练PCA模型。

函数返回值：调用fit方法的对象本身。比如pca.fit(X)，表示用X对pca这个对象进行训练。

fit_transform(X)
用X来训练PCA模型，同时返回降维后的数据。
newX=pca.fit_transform(X)，newX就是降维后的数据。

inverse_transform()
将降维后的数据转换成原始数据，X=pca.inverse_transform(newX)

transform(X)
将数据X转换成降维后的数据。当模型训练好后，对于新输入的数据，都可以用transform方法来降维。

此外，还有get_covariance()、get_precision()、get_params(deep=True)、score(X, y=None)等方法 …

def pcaSklearn(image):
    from sklearn.decomposition import PCA
    pca = PCA(n_components='mle', copy=True, whiten=False)  # 可以自行的进行设置，设置为mle表示智能的进行降维
    newData = pca.fit_transform(image)
    return newData


if __name__ == "__main__":
    import numpy as np
    data = [

        [2.3, 2.7, 5.6],
        [2.0, 1.6, 4.2],
        [1.0, 1.1, 0.7],
        [1.5, 1.6, 8.7],
        [1.1, 0.9, 5.3],
        [2.5, 2.4, 4.3],
        [0.5, 0.7, 2.6],
        [2.2, 2.9, 3.5],
        [1.9, 2.2, 0.5],
        [3.1, 3., 2.1],
    ]

    data = np.array(data)

    newData = pcaSklearn(image=data)
    print(newData)

运行结果如下：

实现了降维，那么同样也可以设置 $n$_$components=1$ 这样的话降维的数据的结果如下：

那么pca降维的部分就暂时告一段落了。

另一篇用numpy实现pca的链接如下：

http://blog.csdn.net/m0_37167788/article/details/78963415