python sklearn包中的主成分分析_sklearn主成分分析 NBA球队数据PCA降维可视化

最新推荐文章于 2024-07-01 18:45:17 发布
最新推荐文章于 2024-07-01 18:45:17 发布
阅读量606 收藏 7
点赞数
文章标签： python sklearn包中的主成分分析
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/weixin_29672983/article/details/113493751
版权
本文通过Python的sklearn库应用PCA进行数据降维，以NBA球队的数据为例，展示了如何将26维数据降至2维和3维，并通过可视化分析球队实力分布，揭示季后赛球队的相对优势。
摘要由CSDN通过智能技术生成

背景：最近学习PCA降维，恰逢NAB总决赛，所以动动手看看各球队的实力分布。数据不会说谎！

数据复制后存为本地excel文件

cc42def122e2?utm_campaign=maleskine&utm_content=note&utm_medium=seo_notes&utm_source=recommendation

数据样例

1.读取数据

在读取数据后，将数据分成了team_name、data_Mat两部分，这是因为前者是球队名称，不属于待降维的属性；后者是需要进行降维的26个特征(属性、维度)。

这26个特征中包含胜场数、败场数、胜率等，明显存在相互关联的属性，这就是对其进行降维处理的基础。

import pandas as pd

from sklearn.decomposition import PCA

data = pd.read_excel(r'teams_regular.xlsx') #读取常规赛数据

# data = pd.read_excel(r'teams_playoffs.xlsx')

# 对数据进行区分，首列为球队名称，其余列为多维特征数据

team_name = data.iloc[:, 0]

最低0.47元/天 解锁文章
阿里巴巴淘系技术
关注
  • 0
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
主成分分析(PCA)python实现(含数据集)
12-15
主成分分析(PCA)python实现(含数据集)，结构清晰，适合初学者
主成分分析（PCA）及其可视化——python
热门推荐
PY洋洋
11-17 9万+
一、主成分分析的原理 主成分分析是利用降维的思想，在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法。通常把转化生成的综合指标称之为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分之间互不相关，这就使得主成分比原始变量具有某些更优越的性能。这样在研究复杂问题时就可以只考虑少数几个主成分而不至于损失太多信息，从而更容易抓住主要矛盾，揭示事物内部变量之间的规律性，同时使问题得到简化，提高分析效率。 主成分分析正是研究如何通过原来变量的少数几个线性组合...
主成分分析（PCA）详解与Python实现
最新发布
weixin_49816293的博客
07-01 531
主成分分析（PCA）是一种统计方法，它通过正交变换将一组可能相关的变量转换成一组线性不相关的变量，这些不相关变量称为主成分。PCA常用于降维、数据压缩和模式识别等领域。PCA的目标是找到数据集中的最大方差方向，并沿着这些方向进行投影，以减少数据的维度，同时保留尽可能多的原始数据集的变异性。PCA是一种强大的降维技术，可以有效地在保留数据集中大部分变异性的同时减少数据的维度。库，我们可以轻松地实现PCA，并利用。库来实现PCA，并可视化结果。喜欢的伙伴们点个关注哦~~我们将使用Python的。
【应用多元统计分析】-王学民Python画椭圆，主成分分析，特征值处理和可视化（1）
m0_57096988的博客
11-06 904
【应用多元统计分析】-王学民Python画椭圆，主成分分析，特征值处理和可视化（1）由于篇章限制，分了几篇写，而且有些省略，大家可以在评论区补充
【skLearn 降维算法】PCA
懂得一千零一种,赋予你失败的方法！
02-24 1300
文章目录降维算法 PCA一、数据维度概念二、skLearn中的降维算法三、PCA与SVD① 降维的实现步骤解析② 重要参数n_components 降维算法 PCA 一、数据维度概念 对于数组和Series来说，维度就是功能shape返回的结果，shape中返回了几个数字，就是几维。索引以外的数据，不分行列的叫一维（此时shape返回唯一的维度上的数据个数），有行列之分叫二维（shape返回行x列），也称为表。一张表最多二维，复数的表构成了更高的维度。当一个数组中存在2张3行4列的表时，shape..
Python sklearn库实现PCA教程(以鸢尾花分类为例)
09-17
今天小编就为大家分享一篇Python sklearn库实现PCA教程(以鸢尾花分类为例)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pca.rar_pca降维_主成分分析_主成分降维_降维处理
09-19
主成分分析（PCA，Principal Component Analysis）是一种常见的数据分析方法，主要用于高维数据的降维。在机器学习、统计学和数据可视化领域，PCA广泛应用于减少数据复杂性，同时保持数据集的主要特性。标题中的"pca...
PCA降维_PCA数据降维_PCA手写体降维_主成分分析_MNIST降维_
10-01
PCA（主成分分析，Principal Component Analysis）是一种广泛应用于数据分析和机器学习领域的降维技术。它通过对原始高维数据进行线性变换，找到新的坐标轴，这些新坐标轴是原始数据的主成分，使得数据在这些新坐标...
PCA主成分分析.rar_PCA主成分分析_PCA数据降维_pca_主成分分析pca_降维
09-21
PCA（主成分分析）是一种广泛...总之，PCA主成分分析是一种强大的工具，用于简化高维数据，它通过降维来保留大部分数据信息，有助于数据的可视化和模型的建立。理解并正确应用PCA，对于理解和处理复杂数据集至关重要。
主成分分析_python_主成分分析_
09-28
主成分分析（Principal Component Analysis，PCA）是一种常见的数据分析方法，主要用于高维数据集的降维。它通过线性变换将原始数据转换为一组各维度线性无关的新变量，即主成分。这些新变量按照它们能够解释的原始...
PCA.zip_PCA 降维_pca算法_主成分分析 C++_主成分降维_降维算法C
09-20
PCA，即主成分分析（Principal Component Analysis），是一种广泛应用于数据分析领域的统计方法，主要目标是将高维数据通过线性变换转换为一组线性不相关的低维表示，即主成分，以此实现数据的降维。降维是数据分析...
具体介绍sklearn库中：主成分分析（PCA）的参数、属性、方法
12-22
转载请注明出处：https://editor.csdn.net/md?articleId=104839136 文章目录主成分分析（PCA）Sklearn库中PCA一、参数说明（Parameters）二、属性（Attributes）三、方法（Methods）四、示例（Sample）五、参考资料（Reference data） 主成分分析（PCA） 主成分分析（Principal components analysis，以下简称PCA）的思想是将n维特征映射到k维上（k<n），这k维是全新的正交特征(新的坐标系)。这k维特征称为主元，是重新构造出来的k维特征，而不是简单地从n维特征中去除其余n-
SciKit-Learn 可视化数据:主成分分析(PCA)
吴吃辣
08-12 3384
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...
sklearn学习06——PCA
qq_42929168的博客
12-30 6142
sklearn学习06——PCA前言一、PCA的核心思想1.1、PCA的原理1.2、PCA的大致流程1.3、样本信息量的衡量二、sklearn实现PCA过程2.1、引入相关库2.2、利用PCA降维2.3、不同主成分个数对应的可解释方差分析(Explained Variance)总结 前言 主成分分析（principal component analysis）是一种常见的数据降维方法，其目的是在“信息”损失较小的前提下，将高维的数据转换到低维，从而减小计算量。本篇简单介绍PCA的思想，然后继续使用skle
sklearn中的pca
qq_22667507的博客
05-09 149
import numpy as np import matplotlib.pyplot as plt ### scikit-learn中的PCA from sklearn.decomposition import PCA x = np.empty((100,2)) x[:,0] = np.random.uniform(0.,100,size = 100) x[:,1] = 0.75 * x[:,0] + 3. + np.random.normal(0,10,size = 100) pca = PC
使用Sklearn学习降维算法PCA和SVD
理科男同学
10-24 5361
1，概述 1.1，什么是维度？ 我们先来解释一下维度的概念。 对于数组和Series来说，维度就是功能shape返回的结果，shape中返回了几个数字，就是几维。索引以外的数据，不分行列的叫一维（此时shape返回唯一的维度上的数据个数），有行列之分叫二维（shape返回行x列），也称为表。一张表最多二维，复数的表构成了更高的维度。当一个数组中存在2张3行4列的表时，shape返回的是(更高维，行，列)。当数组中存在2组2张3行4列的表时，数据就是4维，shape返回(2,2,3,4)。 数组中的每
大数据可视化技术_大数据分享：数据可视化常用的后端技术
weixin_39589511的博客
12-08 721
这篇文章大致讲讲需要用到的后端技术。其实如果只是小数据量，或者是一些小型的项目，研究型的项目，纯前端就可以搞定，利用JS读取数据，JS处理数据。作者：代号22后端无非就是处理数据，提取用户想要的数据。笔者最常用的就是python了，相对于java，c, c++，python简直对初学者太友好，提供了丰富多彩的API接口，比如常见的降维聚类算法：PCA, t-SNE, MDS, k-means等。笔...
用sklearn进行PCA（主成分分析）
今天你学习了吗？
05-24 1万+
PCA主要是用来数据降维，将高纬度的特征映射到低维度的特征，加快机器学习的速度。 原理： 在这个图片中，我们用两个特征来描述样本，分别是attack，defense。但如右图所示，作两条线，可以看出在右边这条线上有较大的方差，而左边这条线的方差比较小。方差越大，所包含的信息就越多。那么如何把这两个特征进行降维呢，降维要尽可能保持原始数据的信息，故要取使方差最大的一个维度（本例中从二维降到一维）。假设右边这条线的方差最大，我们就可以把这条线所在的直线当作降维后的一个维度。也就是二维降到一维后，这.
sklearn实现pca
qq_48566899的博客
06-16 1460
导入 from sklearn.decomposition import PCA n_components希望保留的主成分数量，如果为none，则所有主成分均被保留，为mle时自动选择组价数量 whiten白化，即对数据进行归一化，让期望为0，方差为1。whiten=false即 标准化改转变会损失部分方差信息，但有时候会是的后续的建模效果有所改进 白化就是对降维后的数据的每个特征进行归一化 from sklearn.datasets import load_wine wine=load_wine() x
sklearn主成分分析pca降维python代码
04-07
可以使用以下代码进行sklearn主成分分析pca降维： ```python from sklearn.decomposition import PCA import numpy as np # 假设有m个样本，每个样本有n个特征 X = np.random.rand(m, n) # 将数据标准化，使得每个特征的均值为0，方差为1 X = (X - np.mean(X, axis=0)) / np.std(X, axis=0) # 初始化PCA，假设要将数据降到k维 pca = PCA(n_components=k) # 进行PCA降维 X_pca = pca.fit_transform(X) ``` 这段代码使用了sklearn库中的PCA类进行主成分分析降维，可以将m个样本的n个特征降到k维。在使用PCA进行降维前，需要将数据进行标准化，使得每个特征的均值为0，方差为1，这样可以保证主成分分析的结果更加准确。
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