kmeans聚类_无监督学习PCA降维处理和Kmeans聚类

最新推荐文章于 2024-07-06 19:10:32 发布

莫名其妙小莫哥

最新推荐文章于 2024-07-06 19:10:32 发布

阅读量1.2k

点赞数 1

文章标签： kmeans聚类

本文链接：https://blog.csdn.net/weixin_36257759/article/details/112075849

版权

本文介绍了无监督学习中的PCA降维和K-means聚类。PCA通过减少数据维度，保留主要信息，而K-means通过迭代找到最佳聚类中心，评估指标包括轮廓系数。K-means易收敛于局部最优，适用于分类前的数据预处理。

摘要由CSDN通过智能技术生成

PCA降维处理和K-means聚类

1、无监督学习

没有目标值(变量)的算法。常见的无监督学习算法：

降维：主成分分析PCA降维处理
聚类：K-means(k均值聚类)

2、主成分分析

应用PCA实现特征的降维

定义：高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量
作用：使数据维度压缩，尽可能降低原数据的维数(复杂度)，损失少量信息。
应用：回归分析或者聚类分析当中

PCA的APA:

from sklearn.decomposition import PCA

PCA(n_components=None) #主成分分析

n_components：
- 小数：表示保留百分之多少的信息
- 整数：减少到多少个特征变量 PCA.fit_transform(X)
X:numpy array格式的数据[n_samples,n_features]
返回值：转换后指定维度的array

# 0 导入常用的数据分析库
import numpy as np
import pandas as pd
import warnings
warnings.filterwarnings("ignore") #用于排除警告
from sklearn.decomposition import PCA #主成分降维
from sklearn.preprocessing import StandardS