【Python机器学习及实践】基础篇：无监督学习经典模型（特征降维）

最新推荐文章于 2025-03-06 08:30:00 发布

镰刀韭菜

最新推荐文章于 2025-03-06 08:30:00 发布

阅读量832

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习与机器学习文章标签：数据降维 PCA 主成分分析特征提取支持向量机

本文链接：https://blog.youkuaiyun.com/ARPOSPF/article/details/97027608

103 篇文章 ¥29.90 ¥99.00

订阅专栏

本文介绍了无监督学习中的经典模型——主成分分析（PCA），这是一种常用的特征降维技术，尤其适用于图像识别。PCA通过对特征空间做映射，使数据正交，保留区分性的低维特征。文中通过手写体数字图像识别案例展示了PCA的使用，比较了原始像素特征和PCA压缩后的低维特征在支持向量机分类模型上的识别性能差异。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Python机器学习及实践——基础篇：无监督学习经典模型（特征降维）

特征降维不仅可以重构有效的低维度特征向量，同时也为数据展现提供了可能。在特征降维的方法种，主成分分析（Principal Component Analysis, PCA）是最为经典和实用的特征降维技术，特别是辅助图像识别方法有突出的表现。

线性相关矩阵秩计算样例

import numpy as np

# 初始化一个2*2的线性相关矩阵
M = np.array([[1, 2], [2, 4]])
# 计算2*2线性相关矩阵的秩
print(np.linalg.matrix_rank(M, tol=None))

PCA的思想是首先把原来的特征空间做了映射，使得新的映射后特征空间数据彼此正交。这样一来，通过主成分分析就尽可能保留下具备区分性的低维数据特征。

应用案例：手写体数字图像识别

显示手写体数字图片经PCA压缩后的二维空间分布

#!/usr/bin/env python
# -*- coding: utf-8 -*-
"""
@File  : PCAdigits.py
@Author: Xinzhe.

了解本专栏