PCA聚类降维显示疾病信息

程序员奇奇

于 2024-04-15 11:06:50 发布

阅读量293

点赞数 4

文章标签：聚类数据挖掘机器学习

本文链接：https://blog.csdn.net/pythonyanyan/article/details/137772309

版权

本文介绍了如何通过主成分分析（PCA）和t-SNE降维技术处理高维数据，随后运用K-means聚类算法，最后使用Matplotlib进行二维可视化展示。以make_blobs生成的随机数据为例，详细展示了整个过程。

摘要由CSDN通过智能技术生成

实现聚类降维显示的算法可以采用多种方法。其中一种常见的方法是使用主成分分析（Principal Component Analysis，PCA）或 t-分布随机邻域嵌入（t-distributed Stochastic Neighbor Embedding，t-SNE）等降维技术将高维数据降至二维或三维，然后使用聚类算法（如 K-means、DBSCAN 等）对数据进行聚类，最后使用可视化工具（如 Matplotlib、Seaborn 等）展示聚类结果。

下面是一个简单的示例，展示了如何使用 PCA 进行降维，然后使用 K-means 对降维后的数据进行聚类，并最终使用 Matplotlib 进行可视化展示：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans

# 生成随机数据
X, y = make_blobs(n_samples=1000, centers=3, random_state=42)

# 使用 PCA 进行降维
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)

# 使用 K-means 对降维后的数据进行聚类
kmeans = KMeans(n_clusters=3, random_state=42)
kmeans.fit(X_pca)
y_kmeans = kmeans.predict(X_pca)

# 可视化展示
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y_kmeans, s=50, cmap='viridis')
centers = kmeans.cluster_centers_
plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.75)
plt.xlabel('PCA Component 1')
plt.ylabel('PCA Component 2')
plt.title('K-means Clustering after PCA')
plt.show()