import numpy as np
#初始化乙個2*2的線性相關矩陣
m=np.array([[1,2],[2,4]])
#計算2*2線性相關矩陣的秩
np.linalg.matrix_rank(m,tol=none)
import pandas as pd
#從網際網路讀入手寫體識別任務的訓練資料，儲存在變數digits_train中
digits_train=pd.read_csv('',header=none)
digits_test=pd.read_csv('',header=none)
#分割訓練資料的特徵向量和標記
x_digits=digits_train[np.arange(64)]
y_digits=digits_train[64]
#主成分分析
from sklearn.decomposition import pca
#初始化乙個可以將高緯度特徵向量（六十四維）壓縮至兩個維度的pca
estimator=pca(n_components=2)
x_pca=estimator.fit_transform(x_digits)
#顯示10類手寫數字經pca壓縮後的2維空間分布
from matplotlib import pyplot as plt
def plot_pca_scatter():
colors=['black','blue','purple','yellow','white','red','lime','cyan','orange','gray']
for i in range(len(colors)):
px=x_pca[:,0][y_digits.as_matrix()==i]
py=x_pca[:,1][y_digits.as_matrix()==i]
plt.scatter(px,py,c=colors[i])
plt.legend(np.arange(0,10).astype(str))
plt.xlabel('first principal component')
plt.ylabel('second principal component')
plt.show()
plot_pca_scatter()
#對訓練資料、測試資料進行特徵向量（畫素）與分類目標的分離
x_train=digits_train[np.arange(64)]
y_train=digits_train[64]
x_test=digits_test[np.arange(64)]
y_test=digits_test[64]
#匯入基於線性核的支援向量機分類器
from sklearn.svm import linearsvc
#使用支援向量機對六十四維度的訓練資料建模，並**
svc=linearsvc()
svc.fit(x_train,y_train)
y_predict=svc.predict(x_test)
#使用pca將原六十四維度的影象資料壓縮到20個維度
estimator=pca(n_components=20)
#利用訓練特徵決定（fit)20個正交維度的方向，並轉化（transform）原訓練特徵
pca_x_train=estimator.fit_transform(x_train)
#測試特徵也按照上述的20個正交維度方向進行轉化（transform）
pca_x_test=estimator.transform(x_test)
#使用預設配置初始化linearsvc,對壓縮後的二十維特徵的訓練資料進行建模，
#並在測試資料上**
pca_svc=linearsvc()
pca_svc.fit(pca_x_train,y_train)
pca_y_predict=pca_svc.predict(pca_x_test)
#不用模型的效能評估
from sklearn.metrics import classification_report
print('svc:',svc.score(x_test,y_test))
print(classification_report(y_test,y_predict,target_names=np.arange(10).astype(str)))
print('pca_svc:',pca_svc.score(pca_x_test,y_test))
print(classification_report(y_test,pca_y_predict,target_names=np.arange(10).astype(str)))
主成分分析 降維
import pandas as pd 引數初始化 inputfile data principal component.xls outputfile tmp dimention reducted.xls 降維後的資料 data pd.read excel inputfile,header none...
PCA主成分分析（降維）
opencv中使用 實現降維分類預處理 參考 降維 我的理解是，通過降維得到基本特徵可以加快學習演算法。並且由於降維後的資料本身就是正交的，和聚類一樣可以實現分類 識別問題。在自我學習中也可以採用大量無標註的影象，對這些影象降維分類，並結合部分編碼資料得到特徵。例如 將很2500張人臉資訊，通過25...
降維 PCA 主成分分析
其實早該整理一下pca了，怎奈一直沒有時間，可能是自己對時間沒有把握好吧，下面進入正題。所謂降維，就是降低資料的維數。在機器學習中尤其常見，之前做過對一幅提取小波特徵，對於一幅大小為800 600的，如果每個點提取五個尺度 八個方向的特徵，那麼每乙個畫素點提取40個特徵，那麼一副的話就是40 800...