机器学习基础算法11-鸢尾花数据集分析-PCA主成分分析与logistic回归（管道分析）

数据集介绍

鸢尾花数据集有三个类别，每个类别有50个样本。其中一个类别与另外两个线性可分，另外两个不能线性可分。

PCA主成分分析

1.基本原理

在统计学中，主成分分析PCA是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用于减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。
具体步骤见： https://baike.baidu.com/item/pca%E6%8A%80%E6%9C%AF/10408698?fr=aladdin

2.代码实现

# 鸢尾花数据集-PCA降维
# 特征之间是线性相关的，此时用到PCA
import pandas as pd
from sklearn.decomposition import PCA
from matplotlib.colors import ListedColormap
import matplotlib as mpl
import matplotlib.pyplot as plt

if __name__ == '__main__':

    # pd.set_option('参数名', 参数值)设置相关显示选项，
    # display.width：数据显示区域的总宽度，以总字符数计算。
    pd.set_option('display.width', 200)

    # 一、获得数据
    # 设置列名
    columns = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'type']
    data = pd.read_csv('./iris.data', header=None, names=columns)

    # pd.Categorical(series)，得到分类的对象，使用categories或者codes进行查看
    # pd.Categorical( list ).codes 这样就可以直接得到原始数据的对应的序号列表，通过这样的处理可以将类别信息转化成数值信息
    # pd.Categorical( list ).categories可以查看具体类别
    data['type'] = pd.Categorical(data['type']).codes
    # print(data)

    # 二、数据处理
    # 特征值与目标值
    x = data.loc[:, columns[:-1]]
    y = data['type']

    # 三、特征工程
    # PCA降维
    # _components：组分的个数选择;  whiten:白化； random_state=0：伪随机数发生器种子
    pca = PCA(n_components=2, whiten=True, random_state=0)
    x = pca.fit_transform(x)
    # pca降维后，前两个组分在所有数据中所占信息的比例，一般来说80%的比例，说明已经具有较大的代表性。
    print('各方向方差：', pca.explained_variance_)
    print('方差所占比例：', pca.explained_variance_ratio_)
    # print(x)

    # 绘图
    # 颜色选择
    cm_light = ListedColormap(['#77E0A0', '#FF8080', '#A0A0FF'])
    cm_dark = ListedColormap(['g', 'r', 'b'])
    # 在代码中指定中文字体，解决了matplotlib中中文无法显示的问题
    mpl.rcParams['font.sans-serif'] = u'SimHei'
    mpl.rcParams['axes.unicode_minus'] = False

    plt.figure(facecolor='w')
    # s:点的尺寸  c:色彩或颜色序列 marker:散点的形状  cmap: 包含三列矩阵的色彩映射,色盘的意思
    plt.scatter(x[:, 0], x[:, 1], s=30, c=y, marker='o', cmap=cm_dark)

    # 参数：b：是否显示网格线的意思。ls(li