特征选择之数据降维

一.特征选择之数据降维　

　1.降维：　　　　

　　　维度：特征的数量（不是数据的维度），减少特征数据的字段

方法一：
　　特征选择：选出部分特征
　　原因：特征数量冗长，太消耗内存

　　　　　

　　　　　　

　　　　　　

　　　　　　

　　　　　　　　

　　　　　　　　

　　实例：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
#author tom

from sklearn.feature_selection import VarianceThreshold

def vt(x):
    """
    特征选择--删除低方差特征，就是那一列的数据全部近似等于平均值
    :param x:
    :return:
    """
    #threshold默认为0.0
    vt=VarianceThreshold(threshold=0.0)
    data=vt.fit_transform(x)
    print(data)
if __name__ == '__main__':
    l=[[0,1,2,3],
       [0,4,5,3],
       [0,6,4,3]
       ]
    vt(l)

　　结果：

　　看一下降维的另外一种方法：

方法二：
　　主成分分析：pca：分析，简化数据集的工具
　　pca：
　　目的：数据降维并且尽量不改变源数据的主要特征

　　

　　　　

　　　　

　　　　实例：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
#author tom

from sklearn.decomposition import PCA


def pca(x):
    """
    主成分分析进行特征降维
    :param x:
    :return:
    """
    #保留元数据的90%
    p=PCA(n_components=0.9)
    data=p.fit_transform(x)
    print(data)



if __name__ == '__main__':
    l = [[0, 1, 2, 3],
         [0, 4, 5, 3],
         [0, 6, 4, 3]
         ]
    pca(l)

　　结果：

、

　　2.数据降维实例

 

　　　　

转载于:https://www.cnblogs.com/tjp40922/p/11184985.html