對鳶尾花資料集採用主成分分析方法，使資料降維。
如下圖所示為資料集的格式：
資料集中前4列資料分別代表花萼長度，花萼寬度，花瓣長度，花瓣寬度，最後一列為標籤。共有150條資料。
我們對此資料集利用主成分分析方法，取出資料集的前4列特徵組成矩陣x, 矩陣x的維度為150*4，對其進行轉置後變為4*150.
第二步用x.t*x得到4*4維度的對稱矩陣，我們就可以求這個對稱矩陣的特徵值lambda1,lambda2,lambda3,lambda4和對應的特徵向量u1,u2,u3,u4。特徵值一定是實數，特徵向量之間是相互正交的。每個特徵向量都是4*1的向量。
第三步把特徵值做乙個從大到小的排列，取出前兩個最大的特徵值和對應的特徵向量。如果說lambda1最大，也就是說u1是最主要的方向，是最主要的主成分。次大的特徵值對應的特徵向量是第二主成分，依次往下排列。
假如說u1,u2是排列前2的主成分，那麼就把樣本資料都投影到u1和u2這個方向上，這是只有兩維的資料了，並且u1，u2還是垂直的。可以把他看成新的特徵選擇或組合。效果如下：
由上圖可知，投影後的資料可以很容易的對其進行分類。如下圖所示：
PCA主成分分析處理鳶尾花資料 python
完整 import numpy as np import pandas as pd data pd.read csv c users administrator desktop iris.csv header none data np.array data data data 0 1,2 3 mea...
pca主成分分析 PCA主成分分析（中）
矩陣 matrix，很容易讓人們想到那部著名的科幻電影 駭客帝國 事實上，我們又何嘗不是真的生活在matrix中。機器學習處理的大多數資料，都是以 矩陣 形式儲存的。矩陣是向量的組合，而乙個向量代表一組資料，資料又是多維度的。比如每個人的都具有身高 體重 長相 性情等多個維度的資訊資料，而這些多維度...
主成分分析PCA
主要參考這篇文章 個人總結 pca是一種對取樣資料提取主要成分，從而達到降維的目的。相比於上篇文章介紹到的svd降維不同，svd降維是指減少資料的儲存空間，資料的實際資訊沒有缺少。個人感覺pca更類似與svd的去噪的過程。pca求解過程中，涉及到了svd的使用。針對資料集d 假設di 的維度為 w ...