Python数据分析-PCA

最新推荐文章于 2024-06-05 16:05:04 发布
最新推荐文章于 2024-06-05 16:05:04 发布
阅读量309 收藏 1
点赞数 1
分类专栏： Python 数据分析 文章标签： python 机器学习 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/o_hoooo/article/details/117120984
版权
这篇博客探讨了PCA（主成分分析）在手写数字识别中的使用，包括2维PCA的应用。首先介绍了PCA的基本原理，如选择保留的主成分数量、数据复制选项和白化过程。接着，详细讲解了PCA对象的属性和方法，如`components_`、`explained_variance_ratio_`等。最后，讨论了如何训练机器学习模型，特别是逻辑回归分类器，用于进一步分析PCA降维后的数据。
摘要由CSDN通过智能技术生成

Handwritten digits

from sklearn.datasets import load_digits

digits= load_digits()
digits.keys()

dict_keys(['data', 'target', 'target_names', 'images', 'DESCR'])

digits.images.shape

(1797, 8, 8)

digits.images[0,:,:]

array([[ 0.,  0.,  5., 13.,  9.,  1.,  0.,  0.],
       [ 0.,  0., 13., 15., 10., 15.,  5.,  0.],
       [ 0.,  3., 15.,  2.,  0., 11.,  8.,  0.],
       [ 0.,  4., 12.,  0.,  0.,  8.,  8.,  0.],
       [ 0.,  5.,  8.,  0.,  0.,  9.,  8.,  0.],
       [ 0.,  4., 11.,  0.,  1., 12.,  7.,  0.],
       [ 0.,  2., 14.,  5., 10., 12.,  0.,  0.],
       [ 0.,  0.,  6., 13., 10.,  0.,  0.,  0.]])

from matplotlib import pyplot as plt
plt.imshow(digits.images[50,:,:])
plt.show()

在这里插入图片描述

digits.target.shape

(1797,)

digits.target[50] # show the true number

2

digits.data.shape # the Series data of the digits.images

(1797, 64)

digits.data[0,:]

array([ 0.,  0.,  5., 13.,  9.,  1.,  0.,  0.,  0.,  0., 13., 15., 10.,
       15.,  5.,  0.,  0.,  3., 15.,  2.,  0., 11.,  8.,  0.,
最低0.47元/天 解锁文章
「已注销」
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
主成分分析(PCA)python实现(含数据集)
12-15
主成分分析(PCA)python实现(含数据集)，结构清晰，适合初学者
Python 主成分分析PCA
杨航的专栏
11-23 2503
Python 主成分分析PCA 　　主成分分析（PCA）是一种基于变量协方差矩阵对数据进行压缩降维、去噪的有效方法，PCA的思想是将n维特征映射到k维上（k 相关知识 介绍一个PCA的教程：A tutorial on Principal Components Analysis ——Lindsay I Smith 1.协方差 Covariance 　　变量X和变量Y的协方差
机器学习python实践中sklearn.decomposition.PCA 主成分分析的三个关键属性的个人思考
最新发布
SZX0311的博客
06-05 816
最近在利用python对机器学习进行实践，学到PCA的时候，说实话，有点懵，然后吭哧吭哧去把PCA的原理搞懂了，然后在编程的时候，又发现无法将sklearn.decomposition.PCA主成分分析中的相关属性与理论联系起来，所以这篇文章，主要是依托互联网大佬给出的简单示例，去给出python编程时PCA类方法中的相关属性的理论对照，同时记录一下，如果有误请见谅，欢迎一起探讨。结合数据和图像，不难发现，矩阵X中的五个数据点，都从原坐标系中投影到了斜线上，斜线的方向即可用标准化特征向量。
用python进行主成分分析（PCA）
TSzero的博客
05-10 1万+
一、简介  这篇文章简单介绍了PCA的原理、思想和一些定义，本文将介绍如何用python进行PCA。 二、实现 2.1 标准化数据  在对数据进行PCA前，需要先将数据进行中心标准化，即使特征的平均值为000，方差为111。 from sklearn.preprocessing import StandardScaler StandardScaler(*, copy=True, with_mean=True, with_std=True) 使用说明： 实例化：scaler = StandardScale
用python实现主成分分析（PCA）
ruoff的博客
05-09 4万+
用python实现主成分分析（PCA）python应用实例：如何用python实现主成分分析背景iris数据集简介算法的主要步骤代码实现查看各特征值的贡献率 python应用实例：如何用python实现主成分分析 主成分分析（Principal Component Analysis，PCA）是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。 背景 在许多机器学习、深度学习的应用中，往往需要处理大量样本或大的矩阵，多变量大样本无疑会为研究和应用提供丰富
主成分分析（PCA）及其可视化——python
热门推荐
PY洋洋
11-17 9万+
一、主成分分析的原理 主成分分析是利用降维的思想，在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法。通常把转化生成的综合指标称之为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分之间互不相关，这就使得主成分比原始变量具有某些更优越的性能。这样在研究复杂问题时就可以只考虑少数几个主成分而不至于损失太多信息，从而更容易抓住主要矛盾，揭示事物内部变量之间的规律性，同时使问题得到简化，提高分析效率。 主成分分析正是研究如何通过原来变量的少数几个线性组合...
数据处理-主成分分析-数据降维-pca聚类-pca
09-04
编程语言： Python 3.6.5 依赖的包： numpy，cv2 运行方法：运行PCA_face_recognize.py 详细介绍：package.py中存放的是自定义的函数。数据集使用的是ORL人脸数据集。该数据集包含40个不同的人，每个人10张人脸照片...
qfedu-python-数据分析-金融信用风险评估项目
11-03
在本项目"qfedu-python-数据分析-金融信用风险评估项目"中，我们将深入探讨如何利用Python进行金融信用风险评估。这个项目旨在教你如何运用数据分析技术处理金融领域的信用风险问题，帮助你理解并掌握相关技能。以下...
Python数据分析与机器学习-PCA主成分分析
01-10
在"Python数据分析与机器学习-PCA主成分分析"这个主题中，你可能会深入探讨PCA的原理、Python实现、如何解释结果，以及PCA在实际项目中的应用案例。这可能包括使用PCA对图像数据进行降维，或者在高维基因表达数据中...
Python 数据分析与挖掘实战-张良均-数据集
02-22
这个实战教程通过具体的数据集和代码实例，将带你一步步走进Python数据分析与挖掘的世界。无论是初学者还是有一定经验的学习者，都能从中受益，提升自己的数据处理技能。通过实践，你将能够更好地理解和应用这些知识...
Python-PCA降维人脸识别，已包含yale数据库
08-20
本人在https://blog.csdn.net/u010006643/article/details/46417127博客上看到的，奈何数据库没有，本人结合网上流传的数据库yale,写下了可以运行得出结果的PCA降维，人脸识别程序，特别适合numpy和PCA学习。...
主成分分析（PCA）Python代码.ipynb
03-12
PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。
PCA_for_classification-master_matlab_machinelearning_
09-29
PCA Classification learning
PCA实现代码（Python）
04-16
提供了PCA实现的代码，以及图片处理实例的代码，图片需要自己寻找且编号（16张，编号为01,02,...,16.jpg）
Python 中的主成分分析 (PCA)
pythonandaiot的博客
01-04 6867
无监督学习 什么是主成分分析 当我们执行主成分分析 (PCA) 时，我们希望找到数据集的主成分。令人惊讶不是吗？那么，数据集的主要组成部分是什么，我们为什么要找到它们，它们告诉我们什么？数据集的主成分是数据集中变化最大的“方向”（我假设您对术语方差有基本的了解。如果没有，请在此处查找。简单来说，第一个主成分是数据集是沿数据集变化最大的方向。 考虑以下数据集，我在其上绘制了由不同颜色箭头表示的不同“方向”。你怎么看，哪个箭头指向数据集方差最大的方向？ 好吧，通过肉眼我们看到橙色箭头可能指向方差
【python数据分析】数据建模之 PCA主成分分析
weixin_40637477的博客
05-06 3257
PCA主成分分析：最广泛无监督算法 + 基础的降维算法。 通过线性变换将原始数据变换为一组各维度线性无关的表示，用于提取数据的主要特征分量 → 高维数据的降维 PCA主成分分析： 二维数据降维 / 多维数据降维 /主成分筛选 二维数据降维 # 加载主成分分析模块PCAfrom sklearn.decomposition import PCA # 数据创建rng = np.random.RandomState(8)data = np.dot(rng.rand(2,2),
python pca主成分分析
qq_40107571的博客
11-22 1834
python pca主成分分析
主成分分析 (PCA) 的Python实现
weixin_42565558的博客
03-06 3866
一句话概括主成分分析 主成分分析是采取一种数学降维的方法，找出几个综合变量来代替原来众多的变量，使这些综合变量能尽可能地代表原来变量的信息量，而且彼此之间互不相关。这种将把多个变量化为少数几个互相无关的综合变量的统计分析方法就叫做主成分分析或主分量分析。 主成分分析步骤 对原始数据进行标准化处理 计算标准化数据协方差矩阵 求协方差矩阵的特征值和特征向量 将特征值按照从大到小的顺序排序，选择其中...
PCA分析法的python主要代码
qq_31385713的博客
10-06 1万+
一 PCA分析法介绍 可以理解为是一种降维的思想，将M列数据降维成对应的N列数据，用主要的几个字段解释整体方差变异 也可以理解为一种低维度的映射，举例将三维的数据找到一个二维映射面，同时可以尽力解释出较多的信息来 举例如下图所示： 二 PCA分析法的基础步骤 1.对数据求平均值，即求取对应的均值u=E(X) 2.对特征数据进行去中心化处理，即X= X-E(X)=X-u 3.对去中心化处理的特征矩阵求取协方差矩阵COV（X） 4.对协方差矩阵求特征根和特征向量numta1,namuta2,numta3…及对
Python数据挖掘：PCA降维与KMeans聚类实践
"Python数据挖掘课程讲解PCA降维操作及subplot子图绘制，结合Kmeans对糖尿病数据集进行聚类分析。" PCA（主成分分析）是一种常用的特征降维技术，它通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值