import pandas as pd import numpy as np from sklearn.datasets import load_wine import matplotlib.pyplot as plt wine = load_wine() df_wine = pd.DataFrame(data=wine["data"],columns=wine["feature_names"]) # print(df_wine) df_wine["target"] = wine["target"] print(df_wine) X,y = df_wine.iloc[:,0:13].values,df_wine.iloc[:,13].values # 提取前13列作为特征列,取最后一列做为标签列 print(X,y) # 绘制LDA图像 from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA lda = LDA(n_components=2) X_lda = lda.fit(X,y).transform(X) for c,i,m in zip(colors, np.unique(y), markers): plt.scatter(X_lda[y==i, 0], X_lda[y==i, 1], c=c, marker=m) plt.xlabel("lda1") plt.xlabel("lda2") plt.title("LDA photo") plt.legend(loc="lower left") plt.show()
基于LDA实现降维
最新推荐文章于 2024-03-29 08:44:56 发布
本文介绍了如何使用Python的scikit-learn库对葡萄酒数据集进行预处理,提取特征和标签,并通过线性判别分析(LDA)将高维数据降维到二维,从而实现不同类别葡萄酒的可视化区分。通过散点图展示,读者可以直观理解各类别的分布情况。
摘要由CSDN通过智能技术生成