python主成分分析法

最新推荐文章于 2024-04-24 15:16:05 发布
原创 最新推荐文章于 2024-04-24 15:16:05 发布 · 2.7k 阅读 · 37 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

该博客介绍了如何使用Python进行主成分分析（PCA），包括读取数据、计算相关系数矩阵、求解特征值和特征向量。通过绘制碎石图确定保留的主成分个数，并展示了主成分的贡献率，揭示了主成分与学生偏科和总成绩的关系。

数据集如下：
在这里插入图片描述

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import math

pd.set_option('display.unicode.ambiguous_as_wide', True)
pd.set_option('display.unicode.east_asian_width', True)
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False
df = pd.read_excel("xyh.xlsx")
print(df)
n = len(df.columns)
R = df.corr()
print('相关系数矩阵为:')
print(R
最低0.47元/天 解锁文章
Python 中的主成分分析 (PCA)
pythonandaiot的博客
01-04 7247
无监督学习 什么是主成分分析 当我们执行主成分分析 (PCA) 时，我们希望找到数据集的主成分。令人惊讶不是吗？那么，数据集的主要组成部分是什么，我们为什么要找到它们，它们告诉我们什么？数据集的主成分是数据集中变化最大的“方向”（我假设您对术语方差有基本的了解。如果没有，请在此处查找。简单来说，第一个主成分是数据集是沿数据集变化最大的方向。 考虑以下数据集，我在其上绘制了由不同颜色箭头表示的不同“方向”。你怎么看，哪个箭头指向数据集方差最大的方向？ 好吧，通过肉眼我们看到橙色箭头可能指向方差
主成分分析(PCA)python实现(含数据集)
12-15
主成分分析(PCA)python实现(含数据集)，结构清晰，适合初学者
Python之主成分分析
weixin_34280060的博客
12-22 9469
目的：  了解主成分分析、因子分析、判别分析、聚类分析的原理背景  掌握SAS语言进行多变量分析过程（princomp过程和factor过程）  掌握SAS语言进行判别分析 (discrim过程)  掌握SAS语言进行聚类分析（cluster过程，tree过程） 引言：前面介绍SAS的基本统计分析功能。本章我们讲述用SAS进行多元统计分析。 SAS进行多元统计分析的过程包括: 第一类：多变量分析过程，包括princomp(主成分分析)、factor（因子分析）、cancorr(典型相关分析、mult
python主成分分析（PCA）
黄俊文的博客
12-10 3万+
一、PCA简介 1. 相关背景 主成分分析（Principal Component Analysis，PCA）， 是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。 上完陈恩红老师的《机器学习与知识发现》和季海波老师的《矩阵代数》两门课之后，颇有体会。最近在做主成分分析和奇异值分解方面的项目，所以记录一...
python数据分析-主成分分析
csdn1561168266的博客
02-16 4623
实例：设x=（x1，x2，x3）T为40个随机生成的三维数据，其中x1～N（0，4），x2～N（2，1），x3～N（1，10）。比较从相关矩阵R出发求主成分与从协方差矩阵Σ出发求主成分的计算结果，可以发现，从R出发求得的主成分有y1*的贡献率与从Σ出发求得的主成分y1的贡献率存在明显差异。由计算结果可知，前两个主成分的累计贡献率已经达到96.4%，所以舍去后两个主成分可以达到降维的目的。在实际问题中，总体的协方差矩阵Σ和相关矩阵R都是未知的，需要通过样本来进行估计，此时求出的主成分称为样本主成分。
python主成分分析法降维_【数据降维】主成分分析法
weixin_42400669的博客
12-24 1057
主要内容本系列马上就要进入建模的阶段了，但是在这之前还有一些准备工作要做，能让我们最终得到的分析结果更好，数据降维便是其中之一。数据降维实际上是对输入特征的一次精简。通常来说当我们已经通过数据处理得到了一组变量(特征)之后，我们并不会直接将这些变量输入某种统计模型(比如SVM)。因为第一，某些变量之间可能存在着某种线性非线性的关系，如果一股脑将全部变量都输入模型可能会影响模型的精度。第二，变量(特...
python主成分分析法降维_主成分分析降维（MNIST数据集）
weixin_36278346的博客
12-24 1123
今天看了用主成分分析简化数据，就顺便用MNIST数据集做了下实验，想直观地看一下效果，并通过完成这个小demo深入理解下原理。我发现“是什么、能做什么、怎么用、效果是什么、原理是什么、优缺点是什么”这样的思路能让我更好地接受一个新知识，之所以把原理放在效果后面，是因为我比较喜欢先看看它的作用，可视化意义之后能提起我对一个知识的兴趣，加深对它意义的理解，后面看数学原理会容易，所以整篇文章就以这样的思...
主成分分析_python_主成分分析_
09-28
在Python中，我们通常使用`sklearn.decomposition`模块中的`PCA`类来执行主成分分析。这个类提供了完整的PCA流程，包括数据预处理、主成分计算和降维。下面是一段基本的PCA使用示例： ```python from sklearn....
python主成分分析_Python主成分分析-经典案例分析
weixin_39897687的博客
11-28 2561
前期已经学了如何建立变量之间的相关关系及如何分类，接下来要分析如果变量太多，或可以通过降维再进行分析，就要用到降维技术：主成分分析。案例比较少，我们拿鸢尾花和拉面的经典案例来做分析。主成分分析：将多个变量融合成一个变量，使得变量的个数大大降低，并且能够将有相关关系的几个指标合并为1个，消除变量之间的多重共线性。举例如下，x1，x2，x3这三个自变量中，只有x1的变化能解释y1的变化：主成分分析主要...
Python学习笔记，主成分分析法
qq_43295087的博客
10-23 976
主成分分析 整理整理自己学习python过程中的知识点，主成分分析法。 首先为什么需要主成分分析呢？比方说：记得高一时，一到期末就会有八门课的考试，而这八门课的成绩对你的成绩排名影响比重是不一样的。语文不怎么拉得开分，而数学的话对排名的影响还是比较大的。从这里面可以看出，八个特征值对你最终排名的贡献率是不一样的。这里我们就需要用到主成分分析法。将数据进行降维来分析，避免一些无用功。 接下来介绍一下...
主成分分析（PCA）Python代码.ipynb
03-12
PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。
用python实现主成分分析（PCA）
热门推荐
ruoff的博客
05-09 4万+
用python实现主成分分析（PCA）python应用实例：如何用python实现主成分分析背景iris数据集简介算法的主要步骤代码实现查看各特征值的贡献率 python应用实例：如何用python实现主成分分析 主成分分析（Principal Component Analysis，PCA）是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。 背景 在许多机器学习、深度学习的应用中，往往需要处理大量样本或大的矩阵，多变量大样本无疑会为研究和应用提供丰富
python主成分分析_Python机器学习笔记：主成分分析（PCA）算法
weixin_39570530的博客
11-28 2089
一：引入问题首先看一个表格，下表是某些学生的语文，数学，物理，化学成绩统计：首先，假设这些科目成绩不相关，也就是说某一科目考多少分与其他科目没有关系，那么如何判断三个学生的优秀程度呢？首先我们一眼就能看出来，数学，物理，化学这三门课的成绩构成了这组数据的主成分（很显然，数学作为第一主成分，因为数据成绩拉的最开）。那么为什么我们能一眼看出来呢？当然是我们的坐标轴选对了！！下面，我们继续看一个表格，下...
【机器学习算法-python实现】PCA 主成分分析、降维
Garvin的专栏
07-17 1万+
1.背景        PCA
Python机器学习13——主成分分析
weixin_46277779的博客
06-30 2万+
主成分分析，主成分回归，主成分得分可视化，核载矩阵
[python数据处理系列] 深入理解与实践:用Python进行主成分分析（PCA）
最新发布
2301_81199775的博客
04-24 6161
本文将详细解析主成分分析（PCA）的步骤、作用和参数，并回答一些常见的问题。我们将通过Python代码实现PCA，包括数据导入、降维、查看方差贡献、方差贡献率和累计方差贡献率的可视化等步骤。最后，我们将选择主成分并进行命名，输出降维后的数据，并对主成分分析结果进行可视化。
基于python实现pca（主成分分析）原理和实现
m0_62682527的博客
12-31 3145
PCA（Principal Component Analysis）是一种常用的数据降维技术，通过线性变换将原始数据映射到新的低维空间中，保留原始数据中的大部分信息。PCA 的基本思想是，寻找一个正交基使得在这个基上的方差最大，从而达到降维的目的。在平时的数学建模中，需要用到降维操作：比如在图像处理中，如果要识别人脸，需要将每张图像表示为一个向量，每个元素代表图像中某个像素点的灰度值。由于每张图像的像素数量很大，可能成百上千万甚至更多，这会导致计算和存储成本非常高。
主成分分析法原理及其python实现
随便记点东西
05-28 2万+
主成分分析法原理及其python实现
python 主成分分析 （PCA）
jacke121的专栏
04-12 4239
主成分分析（PrincipalComponentAnalysis，PCA）是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。 # 用python实现主成分分析（PCA） import numpy as np from numpy.linalg import eig from sklearn.datasets import load_iris def pca(X,k): X = X - X.mean(axis = 0) #...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

抽象带篮子

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值