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:是数据维散压缩,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:
·sklearn.decomposition.PCA(n_components=None)
- 将数据分解为较低维数空间
- n_components:
·小数:表示保留百分之多少的信息
·整数:减少到多少特征变量 - 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
'''#构造一组特征值数据'''
import numpy as np
import pandas as dp
from scipy import stats
np.random.seed(10) # 先生成一个种子生成器,以后生成的随机数就是一样的,参数为任意数字
x1 = stats.norm.rvs(loc=5,scale=0.0,size=500) #均值为5,标准差为0.0的正态分布,随机随机生成500个样本
x2 = stats.t.rvs(10, size=500) #生成服从t分布,自由度为10的500个随机数(rvs生成随机数)
x3 = stats.norm.rvs(loc=1,scale=0.5,size=500) #均值为1,标准差为0.5的正态分布,随机随机生成500个样本
x4 = np.random.rand(500)
x5 = 10*x4+