shiyan

1. 1.导入numpy,pandas,matplotlib等必要的库。
   2.加载数据集:这里使用Scikit-learn自带的digits手写数字数据集。该数据集包含1797个样本，每个样本由8x8像素组成，表示一个手写数字，然后可以加载并划分数据。
   3.在经过特征标准化处理后，再对特征变量进行标准化处理。
   4.执行PCA降维操作:接下来，我们执行PCA操作，并将原始数据从64维降至2维。
   5.可视化低维度表示结果:最后，我们可以对新的低维度表示进行可视化：这会生成一个散点图，其中每个点表示一个样本，颜色表示其所属的类别。
   6.训练分类器:如果需要使用PCA降维后的数据进行分类器训练，则可以选择一个分类器模型，并使用X_train_pca和y_train来训练模型。
   7.最后，我们可以在测试集上评估模型性能：以上就是利用PCA来简化数据的实验过程。通过该实验，我们可以更好地理解PCA在数据降维中的作用和应用。

2. import numpy as np
   import pandas as pd
   from sklearn.decomposition import PCA
   url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
   df = pd.read_csv(url, header=None)
   X = df.iloc[:, :-1].values # 特征变量矩阵
   y = df.iloc[:, -1].values # 目标变量矩阵
   from sklearn.preprocessing import StandardScaler

   import numpy as np
   import pandas as pd
   from sklearn.decomposition import PCA
   from sklearn.preprocessing import StandardScaler
   import matplotlib.pyplot as plt
   from sklearn.datasets import load_digits
   from sklearn.model_selection import train_test_split
   
   digits = load_digits()
   X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, random_state=42)
   scaler = StandardScaler()
   X_train_scaled = scaler.fit_transform(X_train)
   X_test_scaled = scaler.transform(X_test)
   pca = PCA(n_components=2)
   X_train_pca = pca.fit_transform(X_train_scaled)
   X_test_pca = pca.transform(X_test_scaled)
   plt.scatter(X_train_pca[:, 0], X_train_pca[:, 1], c=y_train, cmap='viridis')
   plt.colorbar()
   plt.xlabel('PC1')
   plt.ylabel('PC2')
   plt.show()
   from sklearn.linear_model import LogisticRegression
   
   clf = LogisticRegression(random_state=42)
   clf.fit(X_train_pca, y_train)
   print(clf.score(X_test_pca, y_test))