Python实现特征降维--主成分分析 (PCA)

前言

主成分分析是一个重要的线性变换方法，能够将数据从高维降到低维，这篇文章就是主要介绍如何使用PCA实现数据降维

主成分分析 (PCA)

代码中主要是包括了生成随机数、定义PCA函数以及应用PCA。

from sklearn.decomposition import PCA
import numpy as np

# 对数据 X 应用 PCA 变换  
def applyPCA(X, numComponents):  
    newX = np.reshape(X, (-1, X.shape[2]))  
    pca = PCA(n_components=numComponents, whiten=True)  
    newX = pca.fit_transform(newX)  
    newX = np.reshape(newX, (X.shape[0], X.shape[1], numComponents))  
    return newX

#随机生成一个(50, 50, 200)维的数据
data = np.random.rand(50, 50, 200)

#应用PCA  
data_pca = applyPCA(data, numComponents=30) #其中30是指要降低到的维度

后记

大家如果有地信遥感方面的问题需要请教或者有项目需要合作，可以在闲 鱼软件的用户中搜索：遥感GIS工作室，请认准头像，谢谢。