人工智能（降维）——主成分分析（PCA)，2024年最新python项目开发案例集锦百度云

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

正文

1. 使得数据集更易使用。

2. 降低算法的计算开销。

3. 去除噪声。

4. 使得结果容易理解。

降维的算法有很多，比如奇异值分解(SVD)、主成分分析(PCA)、因子分析(FA)、独立成分分析(ICA)。

2.2 主成分分析原理

(1)主成分分析（ Principal Component Analysis ， PCA ）是最常用的

一种降维方法，通常用于高维数据集的探索与可视化，还可以用作数

据压缩和预处理等。

(2)PCA 可以把具有相关性的高维变量合成为线性无关的低维变量，称为

主成分。主成分能够尽可能保留原始数据的信息

原理 ：矩阵的主成分就是其协方差矩阵对应的特征向量，按照对应的特征值大小进行排序，最大的特征值就是第一主成分，其次是第二主成分，以此类推。

2.3 算法过程

3 参数说明

---

3.1 sklearn.decomposition.PCA

sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False)

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。如果为 True，它将分量向量标准化为单位方差，这在某些情况下可用于预测模型（默认为 False）

---------------------------------------------------

svd_solver ：设置特征值分解的方法，默认为‘auto’,其他可选有

‘full’, ‘arpack’, ‘randomized’。

对于 svd_solver=full，有两个附加选项：区间 [0, 1] 中的浮点数计算保留数据中相应方差份额所需的分量数，选项 mle 使用以下方法估计维数最大似然。

3.2 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。

---------------------------------------------------

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。

4 案例

---

目标：已知鸢尾花数据是4维的，共三类样本。使用PCA实现对鸢尾花数据进行降维，实现在

二维平面上的可视化。

5 Python代码实现

---

5.1 代码

#=1. 建立工程，导入sklearn相关工具包：==

import matplotlib.pyplot as plt

from sklearn.decomposition import PCA ##加载PCA算法包

from sklearn.datasets import load_iris #加载鸢尾花数据集导入函数

#=2. 加载数据并进行降维=========================

data = load_iris() #以字典形式加载鸢尾花数据集

y = data.target #使用y表示数据集中的标签

X = data.data #使用X表示数据集中的属性数据

pca = PCA(n_components=2) #加载PCA算法，设置降维后主成分数目为2

reduced_X = pca.fit_transform(X) #对原始数据进行降维，保存在reduced_X中

#3. 按类别对降维后的数据进行保存：============

red_x, red_y = [], [] #第一类数据点

blue_x, blue_y = [], [] #第二类数据点

green_x, green_y = [], [] #第三类数据点

for i in range(len(reduced_X)): #按照鸢尾花的类别将降维后的数据点保存在不同的列表中。

if y[i] == 0:

red_x.append(reduced_X[i][0])

red_y.append(reduced_X[i][1])

elif y[i] == 1:

blue_x.append(reduced_X[i][0])

blue_y.append(reduced_X[i][1])

else:

green_x.append(reduced_X[i][0])

green_y.append(reduced_X[i][1])

最后

不知道你们用的什么环境，我一般都是用的Python3.6环境和pycharm解释器，没有软件，或者没有资料，没人解答问题，都可以免费领取（包括今天的代码），过几天我还会做个视频教程出来，有需要也可以领取~

给大家准备的学习资料包括但不限于：

Python 环境、pycharm编辑器/永久激活/翻译插件

python 零基础视频教程

Python 界面开发实战教程

Python 爬虫实战教程

Python 数据分析实战教程

python 游戏开发实战教程

Python 电子书100本

Python 学习路线规划

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
2ZlaTM0Nzc5NTc5MA==,size_16,color_FFFFFF,t_70)

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）
[外链图片转存中…(img-TKjSPtWo-1713450417200)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！