PCA代码实现思路
PCA是工业界对数据特征进行降维所使用的非常经典的算法之一。
python代码中的实现思路:
1.导入相应的包
2对数据进行处理,包括缩放,洗牌等操作
3.建立模型
4.训练模型(这里的训练有返回值,返回的就是降维处理好的数据)
5.可视化处理(当维度降到2维或3维,可以进行可视化处理)
PCA降维代码及注释
# 以datasets中的恶性肿瘤数据为例
# 画出降维后的可视化图形
from matplotlib import pyplot as plt
from sklearn.datasets import load_breast_cancer
from sklearn.decomposition import PCA
# 设置中文字体和负号正常显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 读取数据
data = load_breast_cancer()
X = data.data
y = data.target
# 创建模型
model_pca = PCA(n_components=2)
# 训练模型 获得降维后的数据
X_new = model_pca.fit_transform(X)
# 打印一些数据值
print('特征向量是:',model_pca.components_)
print('特征值是:',model_pca.explained_variance_)
print('特征占比是:',model_pca.explained_variance_ratio_)
# 画图
plt.title