資料降維 PCA

模型原型

class sklearn.decomposition.pca(n_components=none,copy=true,

whiten=false)

引數

copy:如果為false，則直接使用原始資料來訓練，結果會覆蓋原始資料所在的陣列

whiten:如果為true，則會將特徵向量除以n_samples倍的特徵值，從而非相關輸出的方差為1

屬性

方法

import numpy as np

import matplotlib.pyplot as plt
from sklearn import datasets,decomposition,manifold

def

load_data
():    iris=datasets.load_iris()
return iris.data,iris.target

def

test_pca
(*data):
x,y=data
pca=decomposition.pca(n_components=none)
pca.fit(x)
print('explained variance radio:%s'%str(pca.explained_variance_ratio_))
x,y=load_data()
test_pca(x,y)

def

plot_pca
(*data):
x,y=data
pca=decomposition.pca(n_components=2)
pca.fit(x)
x_r=pca.transform(x)
#繪圖fig=plt.figure()
ax=fig.add_subplot(1,1,1)
colors=((1,0,0),(0,1,0),(0,0,1),(0.5,0.5,0),(0,0.5,0.5),(0.5,0,0.5),
(0.4,0.6,0),(0.6,0.4,0),(0,0.6,0.4),(0.5,0.3,0.2),)
for label,color in zip(np.unique(y),colors):
position=y==label
ax.scatter(x_r[position,0],x_r[position,1],label='target=%d'%label,color=color)
ax.set_xlabel('x[0]')
ax.set_ylabel('y[0]')
ax.legend(loc='best')
ax.set_title("pca")
plt.show()
plot_pca(x,y)

PCA 資料降維實戰

資料降維是機器學習領域中非常重要的內容。降維就是指採用某種對映方法，將原高維空間中的資料點對映到低維度的空間中。降維的本質是學習乙個對映函式 f x y，其中x是原始資料點的表達，目前最多使用向量表達形式。y是資料點對映後的低維向量表達，通常y的維度小於x的維度 當然提高維度也是可以的 f可能是顯式...

PCA降維演算法

文章由兩部分構成，第一部分主要講解pca演算法的步驟，第二部分講解pca演算法的原理。那麼首先進入第一部分 pca演算法的步驟 樣本矩陣x的構成 假設待觀察變數有m個，其實相當於乙個資料在m維各維度上的座標，我們的目標是在保證比較資料之間相似性不失真的前提下，將描述資料的維度盡量減小至l維 l樣本矩...

PCA降維原理

在之前的介紹中，一幅影象只能表示乙個物件。那麼對於w x h的灰度影象，只能表示為w x h位的向量，那麼乙個有100 100的影象就需要10000維的向量空間。對於一幅人臉而言，是否所有維的資料都是有用的呢？在矩陣論當中我們知道，矩陣可以近似的表示為乙個特徵值與特徵向量的乘積。根據這個原理，如果我...