PCA主成分分析可视化-小白自学笔记

最新推荐文章于 2024-07-04 07:30:00 发布
最新推荐文章于 2024-07-04 07:30:00 发布
阅读量975 收藏 17
点赞数 3
分类专栏： 小白深度学习数据可视化 文章标签： python 算法 深度学习
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/rryy12336/article/details/120849428
版权
本文是PCA主成分分析的学习笔记，介绍了PCA的基本概念，并通过Python的sklearn库进行实战演示，利用MNIST数据集进行降维处理，并绘制了PCA训练集的可视化图像。
摘要由CSDN通过智能技术生成

PCA算法介绍

主成分分析(PCA)  一种无监督的确定性算法，用于特征提取和可视化。

它的主要功能就是：对于多维度的数据而言，它把相关性高的维度，整合到一起，留下不相关的维度数据，尽可能使数据的空间保持原有的状态。目前来讲python的sklearn库中已经集成了PCA算法，只需要调用就可以使用了。具有的算法详情，自己可以看李沐老师写的《动手学机器学习》

数据集

这里用minist手写数据集，文件格式是mnist.npz。minist手写体数据集 0-9的数字灰度图片

训练集样本数60000个 28*28灰度图，测试样本数10000个 28*28灰度图

代码实战

1.导入和读取数据集

# 1.获取数据集  minist手写体数据集 0-9的数字  Xtrain样本数60000个 28*28灰度图，Xtest样本数10000个 28*28灰度图

def load_mnist():                                     #定义加载并读取MNIST训练和测试数据
    path = r'E:\notebook\深度学习实战-9.23\mnist.npz' #数据集的路径
    f = np.load(path)                                 #加载数据，并存给f
    x_train, y_train = f['x_train'], f['y_train']  
    #把f['x_train'], f['y_train']指针下的值给x_train, y_train
    x_test, y_test = f['x_test'], f['y_test']         
    #把f['x_test'
最低0.47元/天 解锁文章
硕士小白爱学习
关注
  • 3
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
sklearn自学指南(part47)--主成分分析
小山羊的学习日志
02-01 193
学习笔记，仅供参考，有错必纠 文章目录分解信号的分量(矩阵分解问题)主成分分析(PCA)精确的主成分分析和概率解释增量的主成分分析采用随机SVD的PCA核PCA稀疏主成分分析(SparsePCA和MiniBatchSparsePCA) 分解信号的分量(矩阵分解问题) 主成分分析(PCA) 精确的主成分分析和概率解释 主成分分析(PCA)用于将多元数据集分解为一组解释最大方差的连续正交分量。在scikit-learn中， PCA 被实现为一个transformer对象，它在其 fit 方法中学习n个
特征锦囊：怎么简单使用PCA来划分数据且可视化呢？
Pysamlam的博客
01-29 1329
今日锦囊特征锦囊：怎么简单使用PCA来划分数据且可视化呢？PCA算法在数据挖掘中是很基础的降维算法，简单回顾一下定义：PCA，全称为Principal Component Analysi...
主成分分析(PCA)及其可视化的基础指南
weixin_45822007的博客
05-07 6797
主成分分析(PCA)及其可视化的基础指南后台很多同学私信想学习一下主成分分析(PCA),今天就简单写一下。之后有看到文章再实战复现。主成分分析（PCA）是一种将数据降维技巧，它将大量相关变...
使用 PCA 可视化数据的分类能力
最新发布
茶桁专栏
07-04 1224
我们先从理论开始。我不会深入讲解太多细节，因为如果你想了解 PCA 的工作原理，有很多很好的资源^2^3。重要的是要知道 PCA 是一种降维算法。这意味着它用于减少用于训练模型的特征数量。它通过从许多特征中构建主成分 (PC) 来实现这一点。PC 的构造方式是，第一个 PC（即 PC1）尽可能解释特征中的大部分变化。然后 PC2 尽可能解释剩余变化中的大部分变化，依此类推。PC1 和 PC2 通常可以解释总特征变化的很大一部分。另一种思考方式是，前两个 PC 可以很好地总结特征。
SciKit-Learn 可视化数据:主成分分析(PCA)
吴吃辣
08-12 3444
保留版权所有，转帖注明出处 章节SciKit-Learn 加载数据集 SciKit-Learn 数据集基本信息 SciKit-Learn 使用matplotlib可视化数据 SciKit-Learn 可视化数据:主成分分析(PCA) SciKit-Learn 预处理数据 SciKit-Learn K均值聚类 SciKit-Learn 支持向量机 SciKit-Learn 速查 主成分分析(P...
PCA可视化
utopialin2018的博客
02-03 1322
本例子为液相色谱中的retention time的预测，输入变量为113个表征小分子物化性质的变量，利用PCA降维，选用第一主成分和第二主成分进行可视化。点的颜色代表retention time，范围为30秒至700秒。 ...
Python 中的主成分分析 (PCA)，送给正在迷茫的你
2301_77116622的博客
04-04 832
数据 = np。阵列（[[ 2.5 ，0.5 ，2.2 ，1.9 ，3.1 ，2.3 ，2 ，1 ，1.5 ，1.1 ]，[ 2.4 ，0.7 ，2.9 ，2.2 ，3.0 ，2.7 ，1.6 ，1.1 ，1.6 ，0.9 ]）的数据[ 0 ] = 数据[ 0 ] - np. 均值（数据[ 0 ]）数据[ 1 ] = 数据[ 1 ] - np。平均值（数据[ 1 ]）# 创建轴无花果 = plt。图( figsize = ( 10 , 10 ))ax0。ax0。ax0。ax0。
自然语言处理自学笔记-03 使用Word2vec进行文档分类
bubid的博客
09-09 336
自然语言处理自学笔记-03 使用Word2vec进行文档分类使用Word2vec进行文档分类用词向量进行文档分类代码实现 使用Word2vec进行文档分类 Word2vec提供了一种单词数字表示的方法。词嵌入被用作许多任务的单词特征表示，比如图像标题生成和机器翻译。文档分类任务是词嵌入实际应用中的很简单的一个应用。在文档分类中，需要通过词向量技术嵌入整个文档而不是单词。 用词向量进行文档分类 在小数据集上，CBOW算法要好于skip-gram。在这里我们使用CBOW算法来进行文档分类。过程如下： 从所有
sklearn自学指南(part27)--邻域成分分析
小山羊的学习日志
01-25 538
学习笔记，仅供参考，有错必纠 文章目录最近邻最近中心点分类器最近的收缩质心最近邻转换器邻域成分分析(NCA)分类降维数学公式马氏距离实现 最近邻 最近中心点分类器 NearestCentroid 分类器是一个简单的算法，它用每个类成员的质心来表示每个类。实际上，这类似于KMeans算法的标签更新阶段。它也没有参数可供选择，这使它成为一个很好的基线分类器。然而，在非凸类上，以及当类的方差显著不同时(假设在所有维度上方差相等)，它确实会受到影响。请参阅线性判别分析（LinearDiscriminant
PCA实现高维数据可视化
weixin_43038304的博客
04-09 4417
1 简介 PCA（Principal Component Analysis）即主成分分析是最常见的降维方法， 它是一种统计方法。用于高维数据集的探索与可视化，还可用于数据的压缩和预处理。可通过正交变换把具有相关性的高维变量转换为线性无关的低维变量，这组低维变量称为主成分，它能保留原始数据的信息。 2 PCA算法过程 1）输入：样本集D={x1,x2,…,xn};低维空间数d’ 2）过程： ①对所有...
网络特征之PCA可视化-Python实现
renwu
04-06 1104
PCA也是对网络特征可视化的一种方法，目的是对特征进行降维，然后通过图片的形式来对网络的特征提供一种解释。所以，本博客提供一个将网络特征进行PCA的可视化的代码，其原理为将C通道的特征降维到3通道，即图片的RGB通道，然后直接进行可视化。
PCA的数学原理和可视化效果
左手coding，右手cooking
06-26 344
本文机构 什么是PCA 数学原理 可视化效果 什么是PCA PCA是机器学习中对数据进行降维的一种方法。 例如，我们有这样的交易数据，他有这几个特征：（日期，浏览量，访客数，下单数，成交数，成交金额），从经验可知，“浏览量”和访客数，下单数和成交数 之间会具有较强的相关关系，这种情况下，我们保留其中的两个维度就可以保证原有的信息完整。 但是当我们在做降维的时候，会丢失掉一部分信息。 例如，下面...
PCA降维及降维过程python可视化分析
qq_53383206的博客
01-25 3161
PCA降维numpy实现，python可视化分析PCA降维实质
主成分分析（PCA）：通过图像可视化深入理解
小白学视觉
01-04 1万+
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达主成分分析简介主成分分析（PCA）是一种广泛应用于机器学习的降维技术。PCA 通过对大量变量进行某种变换，将这些变量中...
主成分分析PCA降维可视化(PCA降维算法)-MATLAB代码实现
baoliang12345的博客
06-08 2829
主成分分析PCA降维可视化(PCA降维算法)-MATLAB代码实现
主成分分析（PCA）及其可视化——matlab
热门推荐
PY洋洋
11-15 3万+
X= csvread('文件路径',1,0); %读取数据文件，第一行不读取 T = readtable('文件路径')；%读取文件中的所有数据 举例： data = [1,-0.2,0.3,0.8,-0.5 -0.2,1,0.6,-0.7,0.2 0.3,0.6,1,0.5,-0.3 0.8,-0.7,0.5,1,0.7 -0.5,0.2,-0.3,0.7,1] 运行结果： mapping.mean = mean(data, 1) %..
pca主成分分析 可视化
07-28
PCA（Principal Component Analysis）是一种常用的降维技术，可以将高维数据转化为低维数据，并保留原始数据的主要信息。在进行PCA分析后，我们可以通过可视化方法来展示降维后的数据。 一种常见的可视化方法是绘制散点图。在进行PCA分析后，我们得到了每个样本在新的主成分空间中的坐标。我们可以选择前两个主成分作为坐标轴，将样本在二维平面上进行展示。这样可以直观地观察不同样本之间的分布和相对位置。 另外，我们还可以通过绘制累计方差贡献率曲线来帮助选择合适的主成分个数。该曲线显示了每个主成分的方差贡献率，并且累加到当前主成分时所占总方差的比例。通过观察这条曲线，我们可以确定保留多少个主成分以保留足够的信息。 总之，通过可视化PCA结果，我们可以更好地理解数据的结构和特征之间的关系。
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