sklearn中PCA使用方法

最新推荐文章于 2024-03-30 12:29:56 发布
最新推荐文章于 2024-03-30 12:29:56 发布
阅读量2.7k 收藏 13
点赞数 2
分类专栏： 机器学习 文章标签： python 算法 机器学习
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_44338712/article/details/107213426
版权

sklearn中PCA使用方法

1.函数原型

sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False)

返回一个PCA对象，以下是三个参数的填写说明：

参数说明
n_components①int：PCA算法中所要保留主成分的个数；②float：重构阈值；③none：特征个数不变（但是数据本身会变）
copyTrue或False，是否复制原始数据
whitenTrue或False，是否白化，使得每个特征具有相同的方差

2.PCA对象的属性

属性说明
explained_variance_ratio_重构的阈值
n_components_保留的特征个数

3.PCA对象的常用方法

方法说明
fit(x)用数据X来训练PCA模型
fit_transform(x)用数据X来训练PCA模型同时返回降维后的数据
inverse_transform(y)将降维后的数据y转回原始数据x
transform(x)在PCA模型已经训练好的情况下，将x进行降维

4.简单使用

print('输入前矩阵',iris_data.shape)
irisPca = PCA(n_components=2)
pcaDate = irisPca.fit_transform(iris_data)
print('输入后矩阵',pcaDate.shape)

输出结果，成功的降到了二维：

输入前矩阵 (150, 5)
输入后矩阵 (150, 2)
panfengblog
关注
  • 2
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
使用 PCA 使用网络摄像头进行实时人脸识别：使用 PCA 使用网络摄像头进行实时人脸识别-matlab开发
05-29
使用 PCA 通过网络摄像头进行实时人脸识别
pca主成分分析-使用 PCA 进行主成分分析的简单示例
01-29
一个使用 PCA 进行主成分分析的简单示例。首先，使用numpy随机生成样本数据，然后使用sklearn的PCA类来实现PCA。通过将n_components设置为3，我们可以将数据降维到3个主成分。调用fit函数来计算主成分，之后可以使用explained_variance_ratio_来输出各主成分的贡献率。最后，使用transform函数来将数据转换到前三个主成分。 注意，这只是一个简单的示例，在实际应用中，您可能需要使用更复杂的数据和更高级的配置来获得更好的结果。
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
sklearn主成分分析PCA
最新发布
微小冷的学习笔记
03-30 1798
PCA，即主成分分析(Principal components analysis)，顾名思义就是把矩阵分解成简单的组分进行研究，而拆解矩阵的主要工具是线性变换，具体形式则是奇异值分解。
【python】sklearn中PCA的使用方法
热门推荐
人间不值得
07-09 11万+
from sklearn.decomposition import PCA PCA 主成分分析（Principal Components Analysis），简称PCA，是一种数据降维技术，用于数据预处理。 PCA的一般步骤是：先对原始数据零均值化，然后求协方差矩阵，接着对协方差矩阵求特征向量和特征值，这些特征向量组成了新的特征空间。 sklearn.decomposition.PC...
使用Sklearn学习降维算法PCA和SVD
理科男同学
10-24 5018
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
sklearn学习06——PCA
qq_42929168的博客
12-30 5885
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基础篇（九）-- 主成分分析（PCA）
CarpeDiem
12-15 2442
PCA（Principal Component Analysis） 是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。PCA 的数学推导可以从最大可分型和最近重构性两方面进行，前者的优化条件为划分后方差最大，后者的优化条件为点到划分平面距离最小，这里我原理出发，介绍算法流程和sklearn实现。
Python机器学习笔记 使用scikit-learn工具进行PCA降维
weixin_30347335的博客
04-04 3092
　　之前总结过关于PCA的知识：深入学习主成分分析（PCA）算法原理。这里打算再写一篇笔记，总结一下如何使用scikit-learn工具来进行PCA降维。 　　在数据处理中，经常会遇到特征维度比样本数量多得多的情况，如果拿到实际工程中去跑，效果不一定好。一是因为冗余的特征会带来一些噪音，影响计算的结果；二是因为无关的特征会加大计算量，耗费时间和资源。所以我们通常会对数据重新变换一下，再跑模型。数...
【机器学习sklearn】主成分分析PCA(Principal Component Analysis)
Aoyama的博客
12-28 4451
主成分分析方法PCA前言一、PCA是什么？二、使用步骤1.引入库2.读入数据总结 前言 PCA`(Principal Component Analysis)`，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。 降维的方法有很多，包括：奇异值分解(SVD)、主成分分析(PCA)、因子分析(FA)、独立成分分析(ICA)等等。 读书是爱读，会读，想方设法去读。 一、PCA是什.
sklearn中主成分分析PCA参数解释
知识搬运者
08-20 837
【代码】sklearn中主成分分析PCA参数解释。
具体介绍sklearn库中：主成分分析（PCA）的参数、属性、方法
12-22
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 ...
1使用梯度上升发求解主成分_pca_sklearn_
10-03
sklearn使用pca，详细的描写了如何使用，以及帮助新手入门sklean
pality：基于sklearn的精简PCA
03-02
怜悯 基于sklearn的精简PCA 注意，所使用的术语在PCA文献中不是标准的。
PCA-iris.py
09-12
使用sklearn中PCA库分析iris数据集并可视化
箱线图学习
panfengblog
07-25 1353
箱线图 箱线图是基于五位数显示数据分布标准化方法 如图所示： Median：中位数 Q1：第一个四分位数（25%分位数） Q3：第三个四分位数（75%分位数）定义Q1与Q3的距离为四分位间距（IQR） Minimum：Q1-1.5*IQR Maximum：Q3+1.5*IQR Outliers：超出Minimum或Maximum的数据，即异常值 如果数据成正态分布，则通过下图可以看到其相应的概率分布，即异常值只占0.7% 用途 箱线图是针对连续性变量的 有时如果离群点数据比较多，可能需要考虑对数据
Logistic回归原理分析和实践
panfengblog
07-13 943
Logistic回归原理分析和实践 参考资料： 机器学习 周志华 统计学习方法 李航 一些博客：logistic回归详解,详解最大似然估计（MLE）、最大后验概率估计（MAP），以及贝叶斯公式的理解,逻辑回归（Logistic Regression）-牛顿法求解参数 原理分析 线性回归 这里介绍Logisitic回归首先从线性回归讲起（logistic回归其实就是一种广义的线性回归）。 线性模型（linear model）试图学得一个通过属性的线性组合来进行的预测的函数（假设给定d个属性，x=[x1
决策树原理分析与实践
panfengblog
07-13 470
决策树原理分析与实践 决策树零基础入门到实践，理论部分：会介绍决策树的生成，决策树的各种种类（ID3、C4.5、CART）以及一些数据处理（缺失值和连续值）和优化（预剪枝和后剪枝）。实践部分：以Kaggle著名的Titanic数据集（点击这里）为基础，不使用任何机器学习库完成的一颗CART决策树，并且最后进行了后剪枝操作（能看到明显的优化效果，需要完整代码和数据的可以点击这里：点我）。 原理分析 1.简要介绍 当我们判断“一个瓜是好瓜吗？”是，我们可能会想，①它是青绿色的吗？如果是的，②那么它的根蒂是否卷缩
sklearn使用pca
07-27
在使用sklearn进行PCA降维时，可以按照以下步骤进行操作： 1. 首先，导入所需的库和模块，包括`from sklearn.decomposition import PCA`和`import numpy as np`等等。\[1\] 2. 创建一个numpy数组作为输入数据，例如`X = np.array(\[\[-1, -1\], \[-2, -1\], \[-3, -2\], \[1, 1\], \[2, 1\], \[3, 2\]\])`。\[3\] 3. 实例化PCA对象，可以通过`pca = PCA(n_components=2)`来指定要保留的主成分个数。\[3\] 4. 使用`fit_transform()`方法对输入数据进行降维操作，例如`newX = pca.fit_transform(X)`。这将返回降维后的数据。\[3\] 5. 可以使用`inverse_transform()`方法将降维后的数据转换回原始数据，例如`invX = pca.inverse_transform(newX)`。\[3\] 6. 可以使用`explained_variance_ratio_`属性来获取每个主成分所解释的方差比例，例如`print(pca.explained_variance_ratio_)`。\[3\] 这样，你就可以使用sklearn进行PCA降维了。 #### 引用[.reference_title] - *1* *2* [sklearn学习06——PCA](https://blog.csdn.net/qq_42929168/article/details/122243326)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [【python】sklearn中PCA的使用方法](https://blog.csdn.net/qq_20135597/article/details/95247381)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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