无监督学习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：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+