PCA 方法及其应用

最新推荐文章于 2024-01-01 16:54:41 发布

dsjdjsa

最新推荐文章于 2024-01-01 16:54:41 发布

阅读量749

点赞数

分类专栏：机器学习文章标签： PCA 机器学习

本文链接：https://blog.csdn.net/qq_21046135/article/details/72765434

版权

机器学习专栏收录该内容

11 篇文章 1 订阅

订阅专栏

** 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。

 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。**

这里写图片描述

主成分分析原理：

这里写图片描述

算法过程：

这里写图片描述

代码：

In [28]: import matplotlib.pyplot as plt

In [29]: from sklearn.decomposition import PCA

In [30]: from sklearn.datasets import load_iris

In [31]: data = load_iris()

In [32]: y = data.target

In [33]: x = data.data

In [34]: pca = PCA(n_components = 2)

In [35]: reduced_x = pca.fit_transform(x)

In [36]: red_x, red_y = [], []

In [37]: blue_x, blue_y = [], []

In [38]: green_x, green_y = [], []

In [41]: for i in range(len(reduced_x)):
    ...:     if y[i] == 0:
    ...:         red_x.append(reduced_x[i][0])
    ...:         red_y.append(reduced_x[i][1])
    ...:     if y[i] == 1:
    ...:         blue_x.append(reduced_x[i][0])
    ...:         blue_y.append(reduced_x[i][1])
    ...:     if y[i] == 2:
    ...:         green_x.append(reduced_x[i][0])
    ...:         green_y.append(reduced_x[i][1])
    ...:         

In [48]: plt.scatter(red_x, red_y, c = 'r')
Out[48]: <matplotlib.collections.PathCollection at 0x121097278>

In [49]: plt.scatter(red_x, red_y, c = 'r')
Out[49]: <matplotlib.collections.PathCollection at 0x120f21cf8>

In [50]: plt.scatter(blue_x, blue_y, c = 'b', marker = 'x')
Out[50]: <matplotlib.collections.PathCollection at 0x120f54eb8>

In [51]: plt.scatter(green_x, green_y, c = 'g', marker = 'D')
Out[51]: <matplotlib.collections.PathCollection at 0x120f6d0b8>