python机器学习之降维算法PCA(高维数据的可视化,鸢尾花案例)

最新推荐文章于 2024-07-01 18:45:17 发布

黎明之道

最新推荐文章于 2024-07-01 18:45:17 发布

阅读量1.2w

点赞数 14

分类专栏：机器学习文章标签：可视化 python 机器学习深度学习人工智能

本文链接：https://blog.csdn.net/sjjsaaaa/article/details/110443757

版权

本文介绍了如何使用PCA进行高维数据的降维和可视化，通过鸢尾花数据集展示了降维过程。主要内容包括设置降维的n_components参数，调用PCA模型，以及通过累积可解释方差贡献率曲线选择最佳的特征数量。曲线有助于确定最佳的n_components值，以最大化新特征矩阵的信息捕获能力。

摘要由CSDN通过智能技术生成

高维数据的可视化

n_components是我们降维后需要的维度，即降维后需要保留的特征数量，降维流程中第二步里需要确认的k值，一般输入[0, min(X.shape)]范围中的整数。

调用库和模块

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA

提取数据集

iris = load_iris()
x = iris.data
y = iris.target

x.shape

#作为数据表或特征矩阵，x是几维
import pandas as pd
pd.DataFrame(x)

在这里插入图片描述
建模调用PCA

pca = PCA(n_components=2)#实例化
pca = pca.fit(x)#拟合模型
x_dr = pca.transform(x)#获取新矩阵
#也可以一步到位
#x_dr = PCA(2).fit_transform(x)
x_dr

在这里插入图片描述
可视化

x_dr[y ==0,0]#采用布尔索引

#画出分类图
plt.figure()

关注