前提要点:
1.降维算法中的”降维“,指的是降低特征矩阵中特征的数量。
2.降维的目的是为了让算法运算更快,效果更好,但其实还有另一种需求:数据可视化。
3.特征工程中有三种方式:特征提取,特征创造和特征选择。降维算法属于特征创造。
正式内容
1.sklearn中降维算法都被包括在模块decomposition中,这个模块本质是一个矩阵分解模块。
2.在降维中,PCA使用的信息量衡量指标,就是样本方差,方差越大,特征所带的信息量越多。
3.代码块1
#调用库和模块
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
#提取数据集
iris=load_iris()
x=iris.data
y=iris.target
print("x.shape:",x.shape)
import pandas as pd
pd.DataFrame(x)
#建模
pca=PCA(n_components=2)
x_dr=pca.fit_transform(x)
print("x_dr:",x_dr)
#可视化
colors=['red','black','orange']
pri