特征工程————主成分分析

目录

2.6.1 什么是主成分分析(PCA)

---

2.6.1 什么是主成分分析(PCA)

• 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：是数据维数压缩，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

调用API:

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

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

from sklearn.decomposition import PCA

def PCA_demo():
    """
    PCA降维：将二维数组降为一维直线
    :return:
    """
    #数据
    data = [[2, 8, 4, 5], [6, 3, 0, 8], [5, 4, 9, 1]]

    #实例化转换器
    transfer=PCA(n_components=3)

    data_new=transfer.fit_transform(data)
    print("data_new= \n",data_new)

    return 0