python学习-PCA简介

最新推荐文章于 2024-08-23 17:24:51 发布
最新推荐文章于 2024-08-23 17:24:51 发布
阅读量1.5k 收藏 3
点赞数
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/qq_36056559/article/details/80738779
版权
PCA（主成分分析）是一种特征降维技术，通过旋转输入空间形成新的基，保留大部分方差信息。例如，将5个特征降至2维，保持大部分信息并减少数据泄露风险。在iris数据集上应用PCA，降维至1、2、3维时，对应能量分别为0.924、0.977和0.995。通常要求降维后至少保留95%的输入能量。白化处理虽会损失部分信息，但能提升学习算法准确性。随机PCA是大样本量情况下的快速近似方法。
摘要由CSDN通过智能技术生成

PCA是主要成分分析，principal componetn analysis的缩写。

它是一种帮助定义更小、更相关特征集合的技术。新的特征是现有特征的线性组合（即旋转）。输入空间经过旋转后，输出集合的第一个向量包含信号的大部分能量（即方差）。第二个向量与第一个向量正交，它包含剩余能量的大部分；第三个向量又与前两个向量正交，并包含剩余能量的大部分。（摘自《数据科学导论》）

PCA降维就是将数据映射到新的一组基上，获得一个新的表达，并且新的表达仍然包含了原向量的绝大部分信息。

例如在图中，红色向量为（3, 2）。而当将基底换为蓝色的两个正交向量后红色向量不再是（3, 2）。

现在比如将5个特征降维成2维，特征的数字失去了实际意义。2维的数据仍然包含了绝大部分信息从而防止了实际商业信息的泄露。比如有150条有5个特征的数据，想要将此数据降维为2维，那么只需要用这些向量乘上一个基向量2*150的基向量，就可以得到一个150*2的矩阵从而实现降维。

这里利用iris数据集，原数据集为150*4的矩阵。现在将其降维为2。

iris=datasets.load_iris()
pca=PCA(n_components=
最低0.47元/天 解锁文章
大烟枪yanx
关注
PCA 原理及 Python 实现
lguduy的博客
12-19 1万+
PCA是机器学习中一个很重要的算法，这篇文章主要是对PCA算法的一个总结。
python的pca函数_PCA降维算法的python实现
weixin_39875503的博客
02-21 3197
主成分分析(PCA)是一种无监督的学习方式，是一种常用的线性降维方法。如果遇到多因素分析，想要很多个自变量与因变量进行线性回归分析，一般都必须进行降维处理，而主成分分析是一种很好的解决方案。一、PCA简介PCA是将数据的n维特征映射到k维上(kPCA求解的一般流程为：(1)将原始数据进行标准化；(2)计算标准化数据集的协方差矩阵；(3)计算协方差矩阵的特征值和特征向量；(4)保留最重要的k个特征(...
Python实现PCA算法
最新发布
qq_42568323的博客
08-23 1402
主成分分析（Principal Component Analysis，PCA）是一种常用的数据降维技术。它通过将数据从高维空间投影到低维空间，最大化数据的方差，使得低维空间中能够保留原始数据的主要信息。PCA在许多领域，如数据压缩、特征提取、数据可视化等，有着广泛的应用。我们使用MNIST数据集中的手写数字图像作为示例。每张图像由28x28的像素构成，总共有784个特征。PCA作为一种强大的数据分析工具，在数据压缩、降噪和可视化中具有重要作用。
三种方法实现PCA算法(Python)
山阴少年
12-12 3580
三种方法来实现PCA算法
python pca函数_在Python中实现PCA（基于特征向量）
weixin_33877700的博客
03-01 1311
我尝试用Python实现PCA。我的目标是创建一个行为类似于Matlab的PCA实现的版本。然而，我认为我错过了一个关键点，因为我的测试部分产生了错误符号(+/-)的结果。在你能找出算法的错误吗？为什么这些标志有时不同？在基于特征向量的PCA实现：new_array_rank=4A_mean = np.mean(A, axis=0)A = A - A_meancovariance_matrix =...
PCA的Python实现
大学之道，在明明德
11-16 3763
PCA的Python实现 pca讲解：http://www.cnblogs.com/jerrylead/archive/2011/04/18/2020209.html python实现：http://blog.csdn.net/u012162613/article/details/42177327 """ 总的代码. Func: 对原始的特征矩阵进行降维, lowDataMat为降维之后返回新的特
机器学习-PCA
记录学习过程所学
01-24 2540
PAC(主成分分析法) 将高维数据特征降低为低维数据特征，减少维度冗余，将数据沿方差最大方向投影，数据更易于区分，在同一维度的相关性降低 能够去除部分噪声，因为最小特征值所对应的特征向量往往与噪声有关 提高运算速度 属于非监督学习算法 PCA处理过程 方法1原则 最大可分性：样本点到这个超平面上的投影尽可能分得开，通过投影点的方差来度量 方法2原则 最近重构性：样本点到这个超平面的距离足够近 分析步骤 第一步：均值归零 第二步：目标函数 定义方差：X
机器学习-PCA算法的Python实现.zip
02-15
PCA（主成分分析，Principal Component Analysis）是一种广泛应用的数据降维技术，在机器学习领域扮演着重要角色。它通过线性变换将原始数据转换成一组各维度线性无关的表示，可用于提取数据的主要特征分量，同时...
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。...
Python数据分析与机器学习-PCA主成分分析
01-10
PCA（主成分分析）是数据科学领域中一种广泛使用的降维技术，尤其在处理高维数据时非常有用。它通过线性变换将原始数据转换成一组各维度...学习PCA不仅可以增强你的数据分析技能，还能帮助你更好地理解和解决实际问题。
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
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实现PCA
10-27
自己用Python实现的PCA算法。Python3可直接导入数据运行。
【机器学习系列】python版PCA（主成分分析）
SNS程飞的专栏
04-03 3745
简介 　　在用统计分析方法研究这个多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数 较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可 以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，建立尽可能少的 新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有
Python Sklearn PCA函数详解
qq7835144的博客
12-07 1万+
Python Sklearn PCA函数详解 网上看了好多博客，抄来抄去的，都是解释一下皮毛，很多参数的含义和用途都没有说。干脆自己研究一下，有写的不对的地方欢迎指出. 官方文档地址 https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html#sklearn.decomposition.PCA ...
Python 中的主成分分析 (PCA)
pythonandaiot的博客
01-04 6950
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实现PCA降维
热门推荐
qq_27802435的博客
10-08 2万+
概述 本文主要介绍一种降维方法，PCA（Principal Component Analysis，主成分分析）。降维致力于解决三类问题。 1. 降维可以缓解维度灾难问题； 2. 降维可以在压缩数据的同时让信息损失最小化； 3. 理解几百个维度的数据结构很困难，两三个维度的数据通过可视化更容易理解。 PCA简介 在理解特征提取与处理时，涉及高维特征向量的问题往往容易陷入维度灾难。随着数据...
基于python实现pca（主成分分析）原理和实现
m0_62682527的博客
12-31 2664
PCA（Principal Component Analysis）是一种常用的数据降维技术，通过线性变换将原始数据映射到新的低维空间中，保留原始数据中的大部分信息。PCA 的基本思想是，寻找一个正交基使得在这个基上的方差最大，从而达到降维的目的。在平时的数学建模中，需要用到降维操作：比如在图像处理中，如果要识别人脸，需要将每张图像表示为一个向量，每个元素代表图像中某个像素点的灰度值。由于每张图像的像素数量很大，可能成百上千万甚至更多，这会导致计算和存储成本非常高。
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