DAY 21 常见降维算法-优快云博客

本文链接：https://blog.youkuaiyun.com/awsndy/article/details/148456369

# 先运行之前预处理好的代码
import pandas as pd    #用于数据处理和分析，可处理表格数据。
import numpy as np     #用于数值计算，提供了高效的数组操作。
import matplotlib.pyplot as plt    #用于绘制各种类型的图表
import seaborn as sns   #基于matplotlib的高级绘图库，能绘制更美观的统计图形。
import warnings
warnings.filterwarnings("ignore")
 
 # 设置中文字体（解决中文显示问题）
plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统常用黑体字体
plt.rcParams['axes.unicode_minus'] = False    # 正常显示负号
data = pd.read_csv('data.csv')    #读取数据


# 先筛选字符串变量 
discrete_features = data.select_dtypes(include=['object']).columns.tolist()
# Home Ownership 标签编码
home_ownership_mapping = {
    'Own Home': 1,
    'Rent': 2,
    'Have Mortgage': 3,
    'Home Mortgage': 4
}
data['Home Ownership'] = data['Home Ownership'].map(home_ownership_mapping)

# Years in current job 标签编码
years_in_job_mapping = {
    '< 1 year': 1,
    '1 year': 2,
    '2 years': 3,
    '3 years': 4,
    '4 years': 5,
    '5 years': 6,
    '6 years': 7,
    '7 years': 8,
    '8 years': 9,
    '9 years': 10,
    '10+ years': 11
}
data['Years in current job'] = data['Years in current job'].map(years_in_job_mapping)

# Purpose 独热编码，记得需要将bool类型转换为数值
data = pd.get_dummies(data, columns=['Purpose'])
data2 = pd.read_csv("data.csv") # 重新读取数据，用来做列名对比
list_final = [] # 新建一个空列表，用于存放独热编码后新增的特征名
for i in data.columns:
    if i not in data2.columns:
       list_final.append(i) # 这里打印出来的就是独热编码后的特征名
for i in list_final:
    data[i] = data[i].astype(int) # 这里的i就是独热编码后的特征名



# Term 0 - 1 映射
term_mapping = {
    'Short Term': 0,
    'Long Term': 1
}
data['Term'] = data['Term'].map(term_mapping)
data.rename(columns={'Term': 'Long Term'}, inplace=True) # 重命名列
continuous_features = data.select_dtypes(include=['int64', 'float64']).columns.tolist()  #把筛选出来的列名转换成列表
 
 # 连续特征用中位数补全
for feature in continuous_features:     
    mode_value = data[feature].mode()[0]            #获取该列的众数。
    data[feature].fillna(mode_value, inplace=True)          #用众数填充该列的缺失值，inplace=True表示直接在原数据上修改。

# 最开始也说了 很多调参函数自带交叉验证，甚至是必选的参数，你如果想要不交叉反而实现起来会麻烦很多
# 所以这里我们还是只划分一次数据集

data.drop(columns=['Id'], inplace=True) # 删除 Loan ID 列
data.info() # 查看数据集的信息，包括数据类型和缺失值情况

输出：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 7500 entries, 0 to 7499
Data columns (total 31 columns):
 #   Column                        Non-Null Count  Dtype  
---  ------                        --------------  -----  
 0   Home Ownership                7500 non-null   int64  
 1   Annual Income                 7500 non-null   float64
 2   Years in current job          7500 non-null   float64
 3   Tax Liens                     7500 non-null   float64
 4   Number of Open Accounts       7500 non-null   float64
 5   Years of Credit History       7500 non-null   float64
 6   Maximum Open Credit           7500 non-null   float64
 7   Number of Credit Problems     7500 non-null   float64
 8   Months since last delinquent  7500 non-null   float64
 9   Bankruptcies                  7500 non-null   float64
 10  Long Term                     7500 non-null   int64  
 11  Current Loan Amount           7500 non-null   float64
 12  Current Credit Balance        7500 non-null   float64
 13  Monthly Debt                  7500 non-null   float64
 14  Credit Score                  7500 non-null   float64
 15  Credit Default                7500 non-null   int64  
 16  Purpose_business loan         7500 non-null   int64  
 17  Purpose_buy a car             7500 non-null   int64  
 18  Purpose_buy house             7500 non-null   int64  
 19  Purpose_debt consolidation    7500 non-null   int64  
 20  Purpose_educational expenses  7500 non-null   int64  
 21  Purpose_home improvements     7500 non-null   int64  
 22  Purpose_major purchase        7500 non-null   int64  
 23  Purpose_medical bills         7500 non-null   int64  
 24  Purpose_moving                7500 non-null   int64  
 25  Purpose_other                 7500 non-null   int64  
 26  Purpose_renewable energy      7500 non-null   int64  
 27  Purpose_small business        7500 non-null   int64  
 28  Purpose_take a trip           7500 non-null   int64  
 29  Purpose_vacation              7500 non-null   int64  
 30  Purpose_wedding               7500 non-null   int64  
dtypes: float64(13), int64(18)
memory usage: 1.8 MB

降维前有31个特征。

一、特征降维概述

1、有监督降维和无监督降维

通常情况下，我们提到特征降维，很多时候默认指的是无监督降维，这种方法只需要特征数据本身。但是实际上还包含一种有监督的方法。

无监督降维（Unsupervised Dimensionality Reduction）
- 定义：这类算法在降维过程中不使用任何关于数据样本的标签信息（比如类别标签、目标值等）。它们仅仅根据数据点本身的分布、方差、相关性、局部结构等特性来寻找低维表示。
- 输入：只有特征矩阵 X 。
- 目标：
  - 保留数据中尽可能多的方差（如 PCA）。
  - 保留数据的局部或全局流形结构（如 LLE， Isomap， t-SNE， UMAP）。
  - 找到能够有效重构原始数据的紧凑表示（如 Autoencoder）。
  - 找到统计上独立的成分（如 ICA）。
- 典型算法：
  - PCA （主成分分析） / SVD （奇异值分解）
  - t-SNE （t 分布随机邻域嵌入）
  - UMAP（均匀流形近似和投影）
  - LLE （局部线性嵌入）
  - Isomap （等轴测映射）
  - Autoencoders （基本形式）
  - ICA （独立成分分析）
- “只需要特征就可以对特征降维了”：你这句话描述的就是无监督降维。算法通过分析特征间的关系和分布来进行降维。
有监督降维（Supervised Dimensionality Reduction）
- 定义：这类算法在降维过程中会利用数据样本的标签信息（通常是类别标签 y ）。它们的目标是找到一个低维子空间，在这个子空间中，不同类别的数据点能够被更好地分离开，或者说，这个低维表示更有利于后续的分类（或回归）任务。
- 输入：特征矩阵 X 和对应的标签向量 y 。
- 目标：
  - 最大化不同类别之间的可分性，同时最小化同一类别内部的离散度（如 LDA）。
  - 找到对预测目标变量最有信息量的特征组合。y
- 典型算法：
  - LDA （Linear Discriminant Analysis）：这是最经典的监督降维算法。它寻找的投影方向能够最大化类间散度与类内散度之比。
  - 还有一些其他的，比如 NCA （Neighborhood Components Analysis），但 LDA 是最主要的代表。
- “还需要有分类标签么”：是的，对于有监督降维，分类标签（或其他形式的监督信号）是必需的。

核心差异总结：

特性	无监督降维（Unsupervised DR）	有监督降维（Supervised DR）
是否使用标签	否（只使用特征X)	是（使用特征 X和标签 y)
主要目的	保留数据固有结构、方差、可视化等	提高后续监督学习任务（如分类）的性能
关注点	数据本身的内在属性	数据类别间的可分性/与目标变量的相关性
典型例子	PCA、SVD、t-SNE、UMAP、自动编码器	LDA

举个例子来说明：

PCA （无监督）：如果你有一堆人脸图片，PCA会尝试找到那些能最好地概括所有人脸变化的“主脸”（特征向量），比如脸型、鼻子大小等，它不关心这些人脸属于谁。
LDA （有监督）：如果你有一堆人脸图片，并且你知道每张图片属于哪个人（标签）。LDA会尝试找到那些能最好地区分不同人的人脸特征组合。比如，如果A和B的脸型很像，但眼睛差别很大，LDA可能会更强调眼睛的特征，即使脸型方差更大。PCA是利用最大化方差来实现无监督降维，而LDA则是在此基础上，加入了类别信息，其优化目标就变成了类间差异最大化和类内差异最小化。

PCA等无监督降维方法的目标是保留数据的最大方差，这些方差大的方向不一定是对分类最有用的方向。因此，在分类任务中，LDA通常比PCA更直接有效。

默认参数随机森林模型（与后续降维后的模型进行对比）

# 划分特征和标签
X = data.drop(['Credit Default'], axis=1)
y = data['Credit Default']

# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练默认参数随机森林
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix
import time
import warnings
warnings.filterwarnings("ignore")

# --- 1. 默认参数随机森林 ---
print("--- 默认参数随机森林 ---")
start_time = time.time()
rf_model = RandomForestClassifier(random_state=42)
rf_model.fit(X_train, y_train)
rf_pred = rf_model.predict(X_test)
end_time = time.time()

print(f"训练与预测耗时:{end_time - start_time:.4f}秒。")
print("默认随机森林在测试集上的分类报告：")
print(classification_report(y_test, rf_pred))
print("默认随机森林在测试集上的混淆矩阵：")
print(confusion_matrix(y_test, rf_pred))

输出：

--- 1. 默认参数随机森林 ---
训练与预测耗时:1.3695秒。
默认随机森林在测试集上的分类报告：
              precision    recall  f1-score   support

           0       0.77      0.96      0.85      1059
           1       0.76      0.30      0.43       441

    accuracy                           0.77      1500
   macro avg       0.77      0.63      0.64      1500
weighted avg       0.77      0.77      0.73      1500

默认随机森林在测试集上的混淆矩阵：
[[1018   41]
 [ 309  132]]

# # umap-learn 是一个用于降维和可视化的库，特别适合处理高维数据。它使用了一种基于流形学习的算法，可以有效地将高维数据嵌入到低维空间中，同时保持数据的局部结构。
# !pip install umap-learn -i https://pypi.tuna.tsinghua.edu.cn/simple

二、特征降维应用

1、无监督降维

1. 主成分分析（PCA）

在昨天的专题中已经理解了SVD（奇异值分解），那么理解PCA（主成分分析）就会非常直接。实际上，PCA可以被看作是将SVD应用于经过均值中心化的数据矩阵，并对其结果进行特定解释的一种方法。

PCA：寻找最大方差方向

主成分分析（PCA）的核心思想是识别数据中方差最大的方向（即主成分）。然后，它将数据投影到由这些最重要的主成分构成的新的、维度更低子空间上。这样做的目的是在降低数据维度的同时，尽可能多地保留原始数据中的“信息”（通过方差来衡量）。新的特征（主成分）是原始特征的线性组合，并且它们之间是正交的（不相关）。

PCA 与 SVD 的关系

假设你的数据矩阵是 X（行是样本，列是特征）。

步骤 0：均值中心化（对PCA的解释至关重要）
- 对于中的每一个特征（列），计算其均值。
- 从该特征列的所有值中减去这个均值。我们将这个经过均值中心化处理的矩阵称为 X_centered。
- 为什么要做这一步？PCA的目标是找到围绕数据均值的最大方差方向。SVD本身不强制要求均值中心化，但为了将其分解结果解释为PCA的主成分，这一步是必需的。

PCA 何时适用？数据是线性还是非线性？

线性性：
- PCA 是一种线性降维方法。它假设主成分是原始特征的线性组合。
- 它寻找的是一个能够最好地捕捉数据方差的线性子空间。
- 如果你的数据的潜在结构是高度非线性的（例如，“瑞士卷”形状、螺旋形），PCA可能无法有效地在低维空间中捕捉这种结构。它可能会将这类结构“压平”或扭曲。
PCA 效果好的情况：
- 目标是最大化方差: 当你认为数据中方差最大的方向包含了最重要的信息时。这在去噪或特征间存在相关性时通常是成立的。
- 数据分布大致呈椭球形或存在线性相关性： PCA 擅长找到这类分布的主轴。
- 作为其他线性模型的预处理步骤：不相关的主成分有时能让线性模型（如逻辑回归、线性SVM）表现更好。
- 探索性数据分析（EDA）：快速了解数据变异的主要模式。
- 降噪：假设噪声的方差低于信号的方差，PCA可以通过舍弃低方差的成分来帮助降噪。
- 当原始特征数量非常多，且存在多重共线性时：PCA可以通过生成少数几个不相关的主成分来解决多重共线性问题，并减少特征数量。
PCA 可能不适用或需要谨慎使用的情况：
- 高度非线性数据：对于分布在复杂流形上的数据（例如“瑞士卷”、“S型曲线”），PCA会将其投影到一个线性子空间，这可能会丢失关键的非线性关系。在这种情况下，非线性降维技术（如 t-SNE， UMAP， LLE， Isomap，核PCA，自编码器）会是更好的选择。
- 方差并非衡量重要性的唯一标准: 有时，方差较小的方向可能对特定任务至关重要（例如，在分类问题中，如果使用LDA，一个整体方差较小的方向可能对区分类别非常有效）。PCA是无监督的，它不考虑类别标签。
- 主成分的可解释性: 虽然主成分是原始特征的线性组合，但与保留原始、可解释的特征相比，它们的直接物理解释有时可能更具挑战性。
- 数据特征尺度差异巨大: 如果特征的尺度（单位或数值范围）相差悬殊（例如，一个特征以米为单位，另一个以毫米为单位），那么尺度较大的特征将在方差计算中占据主导地位，从而主导第一主成分。这就是为什么在应用PCA之前几乎总是推荐进行数据标准化（例如，将特征缩放到均值为0，方差为1）。

总而言之，可以将PCA视为：

对数据进行均值中心化。

对中心化后的数据进行SVD。

使用SVD得到的右奇异向量 V 作为主成分方向。

使用奇异值 S 来评估每个主成分的重要性（解释的方差）。

使用 U*S（或）X_centered * V 来获得降维后的数据表示。

PCA主要适用于那些你认为最重要的信息可以通过数据方差来捕获，并且数据结构主要是线性的情况。

import time  # 记录时间
import numpy as np # 确保numpy导入
from sklearn.preprocessing import StandardScaler  # 特征缩放，标准化
from sklearn.decomposition import PCA  # 主成分分析
from sklearn.ensemble import RandomForestClassifier  # 随机森林分类器
from sklearn.metrics import classification_report, confusion_matrix  # 分类报告和混淆矩阵

# 假设 X_train, X_test, y_train, y_test 已经准备好了

print("\n--- 2. PCA 降维 + 随机森林 (不使用 Pipeline) ---")

# 步骤 1：特征缩放
scaler_pca = StandardScaler()
X_train_scaler_pca = scaler_pca.fit_transform(X_train)
X_test_scaler_pca = scaler_pca.transform(X_test)

# 步骤 2：PCA降维
# 选择降到10维，或者你可以根据解释方差来选择，例如：
pca_expl = PCA(random_state=42)
pca_expl.fit(X_train_scaler_pca)  # 在标准化后的训练数据上拟合PCA模型
cumsum_variance = np.cumsum(pca_expl.explained_variance_ratio_)  # 计算累计方差解释率
n_components_to_keep_95_var = np.argmax(cumsum_variance >= 0.95) + 1  # 找出保留95%方差的最小主成分数
print(f"为了保留95%的方差，需要的主成分数量：{n_components_to_keep_95_var}")

输出：

--- 2. PCA 降维 + 随机森林 (不使用 Pipeline) ---
为了保留95%的方差，需要的主成分数量：26

详细说明：

PCA初始化 ： random_state=42 保证每次运行结果一致，这对算法可复现性非常重要。
模型拟合 ：PCA算法会自动计算主成分方向和方差比例，这一步会得到各主成分的 explained_variance_ratio_。
累计方差计算 ：使用 np.cumsum 将各主成分的方差比例累加，形成[0.2, 0.4, 0.6,...]这样的累计序列。
阈值判断 ： np.argmax(cumsum_variance >= 0.95) 找到第一个累计值≥95%的索引位置，+1是因为索引从0开始计数。

测试下降低到10维的效果

# 我们测试下降低到10维的效果
n_components_pca = 10
pca_manual = PCA(n_components=n_components_pca, random_state=42)  # 初始化PCA模型，设置主成分数和随机种子

X_train_pca = pca_manual.fit_transform(X_train_scaler_pca)  # 标准化后的训练集上拟合并转换PCA
X_test_pca = pca_manual.transform(X_test_scaler_pca)  # 对测试集应用训练集的PCA转换
print(f"PCA降维后,训练集形状:{X_train_pca.shape}, 测试集形状:{X_test_pca.shape}")

# 步骤 3：训练随机森林分类器
start_time_pca = time.time()
rf_model_pca = RandomForestClassifier(random_state=42)
rf_model_pca.fit(X_train_pca, y_train)

# 步骤 4：在测试集上预测
rf_pred_pca = rf_model_pca.predict(X_test_pca)
end_time_pca = time.time()

print(f"手动PCA降维后,训练与预测耗时:{end_time_pca - start_time_pca:.4f}秒")
print("手动PCA降维后,随机森林在测试集上的分类报告:")
print(classification_report(y_test, rf_pred_pca))
print("手动PCA降维后,随机森林在测试集上的混淆矩阵:")
print(confusion_matrix(y_test, rf_pred_pca))

输出：

PCA降维后,训练集形状:(6000, 10), 测试集形状:(1500, 10)
手动PCA降维后,训练与预测耗时:2.5792秒
手动PCA降维后,随机森林在测试集上的分类报告:
              precision    recall  f1-score   support

           0       0.77      0.94      0.85      1059
           1       0.70      0.32      0.44       441

    accuracy                           0.76      1500
   macro avg       0.73      0.63      0.64      1500
weighted avg       0.75      0.76      0.73      1500

手动PCA降维后,随机森林在测试集上的混淆矩阵:
[[997  62]
 [298 143]]

特征数量从31个减少到了10个，但是最终结果变化不大，训练时间有所增加！！！

详细说明：

PCA初始化：

n_components=n_components_pca ：指定要保留的主成分数量（这里设为10维）

random_state=42 ：确保每次运行结果一致，这对实验可复现性至关重要

训练集转换：

fit_transform（）：同时完成模型拟合（计算主成分）和数据降维转换

该方法会生成两个结果：

训练好的PCA模型（保存在pca_manual对象中）

降维后的训练集特征矩阵X_train_pca

测试集转换：

transform（）：仅使用训练阶段得到的参数（主成分方向）进行转换

必须使用与训练集相同的PCA参数，避免数据泄漏（data leakage）

2. t-分布随机邻域嵌入（t-SNE）

这是一种与PCA截然不同的降维算法，尤其在理解其核心思想和适用场景上。

t-SNE：保持高维数据的局部邻域结构，用于可视化

PCA 的目标是保留数据的全局方差，而 t-SNE 的核心目标是在高维空间中相似的数据点，在降维后的低维空间中也应该保持相似（即彼此靠近），而不相似的点则应该相距较远。 它特别擅长于将高维数据集投影到二维或三维空间进行可视化，从而揭示数据中的簇结构或流形结构。---深度学习可视化中很热门

t-SNE 与 PCA/SVD 的主要差异：

特性	主成分分析（PCA）/SVD	t-SNE
类型	线性	非线性
主要目标	保留全局方差	保留局部邻域结构，用于可视化
关注点	全局结构	局部结构，尽可能在低维呈现高维的邻近关系
计算成本	相对较低	较高，尤其是对于大数据集
输出稳定性	确定性（给定数据，结果唯一）	随机性（优化过程通常有随机初始化，多次运行结果可能略有不同）
超参数	n_components	`perplexity` （困惑度）， n_iter（迭代次数），learning_rate 等
全局结构保留	较好（因为它关注方差）	可能较差，t-SNE 更关注保持局部结构，可能扭曲全局距离
降维后坐标含义	主成分有明确的方差含义	坐标本身没有直接的物理意义，点之间的相对距离和簇的形状更重要
适用场景	通用降维，去噪，数据压缩，线性模型预处理	高维数据可视化，探索数据中的簇或流形结构

何时适合使用 t-SNE？

当你主要目的是可视化高维数据时：t-SNE 在将复杂的高维数据结构展现在2D或3D图上时非常强大，能帮助你直观地看到数据中可能存在的簇或模式。
当数据具有复杂的非线性结构时：如果数据分布在一个弯曲的流形上，t-SNE 比 PCA 更能捕捉到这种结构。
探索性数据分析：帮助发现数据中未知的群体。

使用 t-SNE 时需要注意的事项：

计算成本高：对于非常大的数据集（例如几十万甚至上百万样本），t-SNE 的计算会非常慢。通常建议在应用 t-SNE 之前，先用 PCA 将数据降到一个适中的维度（例如50维），这样可以显著加速 t-SNE 的计算并可能改善结果。
超参数敏感：
- Perplexity （困惑度）：这个参数对结果影响较大。常见的取值范围是 5 到 50。较小的困惑度关注非常局部的结构，较大的困惑度则考虑更广泛的邻域。通常需要尝试不同的值。
- n_iter （迭代次数）：需要足够的迭代次数让算法收敛。默认值通常是1000。如果可视化结果看起来还不稳定，可以尝试增加迭代次数。
- learning_rate （学习率）：也可能影响收敛。
结果的解释：
- 簇的大小和密度在 t-SNE 图中没有直接意义。t-SNE 会尝试将所有簇展开到相似的密度。不要根据簇在图上的大小来判断原始数据中簇的实际大小或密度。
- 点之间的距离在全局上没有意义。两个相距较远的簇，它们之间的距离并不代表它们在原始高维空间中的实际距离。t-SNE 主要保留的是局部邻域关系。
- 多次运行结果可能不同：由于优化过程的随机初始化和梯度下降的性质，多次运行 t-SNE 可能会得到略微不同的可视化结果。但好的簇结构通常是稳定的。
不适合作为通用的有监督学习预处理步骤：因为它的目标是可视化和保持局部结构，而不是最大化类别可分性或保留全局方差，所以它通常不直接用于提高分类器性能的降维。LDA 或 PCA （在某些情况下）更适合这个目的。

总结一下：

t-SNE 是一种强大的非线性降维技术，主要用于高维数据的可视化。它通过在低维空间中保持高维空间中数据点之间的局部相似性（邻域关系）来工作。与PCA关注全局方差不同，t-SNE 更关注局部细节。理解它的超参数（尤其是困惑度）和结果的正确解读方式非常重要。

import time  # 记录时间
import numpy as np # 确保numpy导入
from pandas.core.common import random_state
from sklearn.preprocessing import StandardScaler  # 特征缩放，标准化
from sklearn.manifold import TSNE  
from sklearn.ensemble import RandomForestClassifier  # 随机森林分类器
from sklearn.metrics import classification_report, confusion_matrix  # 分类报告和混淆矩阵
import matplotlib.pyplot as plt
import seaborn as sns

# 假设 X_train, X_test, y_train, y_test 已经准备好了
# 并且你的 X_train, X_test 是DataFrame或Numpy Array

print(f"\n--- 3. t-SNE 降维 + 随机森林  ---")
print("       标准 t-SNE 主要用于可视化，直接用于分类器输入可能效果不佳。")

# 步骤 1: 特征缩放
scaler_tsne = StandardScaler()
X_train_scaled_tsne = scaler_tsne.fit_transform(X_train)
X_test_scaled_tsne = scaler_tsne.transform(X_test) # 使用在训练集上fit的scaler

# 步骤 2: t-SNE 降维
# 我们将降维到与PCA相同的维度（例如10维）或者一个适合分类的较低维度。
# t-SNE通常用于2D/3D可视化，但也可以降到更高维度。
# 然而，降到与PCA一样的维度（比如10维）对于t-SNE来说可能不是其优势所在，
# 并且计算成本会显著增加，因为高维t-SNE的优化更困难。
# 为了与PCA的 n_components=10 对比，我们这里也尝试降到10维。
# 但请注意，这可能非常耗时，且效果不一定好。
# 通常如果用t-SNE做分类的预处理（不常见），可能会选择非常低的维度（如2或3）。

# n_components_tsne = 10 # 与PCA的例子保持一致，但计算量会很大
n_components_tsne = 2    # 更典型的t-SNE用于分类的维度，如果想快速看到结果
                         # 如果你想严格对比PCA的10维，可以将这里改为10，但会很慢

# 对训练集进行 fit_transform
tsne_model_train = TSNE(n_components=n_components_tsne,
                    perplexity=30,  # 常用的困惑度值
                    n_iter=1000,  # 足够的迭代次数 
                    init='pca',  # 使用PCA初始化，通常更稳定
                    learning_rate='auto',  # 自动学习率 （sklearn >= 1.2）
                    random_state=42,  # 保证结果可复现
                    n_jobs=-1)  # 使用所有CPU核心
print("正在对训练集进行 t-SNE fit_transform...")
start_tsne_fit_train = time.time()
X_train_tsne = tsne_model_train.fit_transform(X_train_scaled_tsne)
end_tsne_fit_train = time.time()
print(f"训练集 t-SNE fit_transform 完成，耗时: {end_tsne_fit_train - start_tsne_fit_train:.2f} 秒")


# 对测试集进行 fit_transform
# 再次强调：这是独立于训练集的变换(与SVD、PCA不同)
tsne_model_test = TSNE(n_components=n_components_tsne,
                       perplexity=30,
                       n_iter=1000,
                       init='pca',
                       learning_rate='auto',
                       random_state=42, # 保持参数一致，但数据不同，结果也不同
                       n_jobs=-1)
print("正在对测试集进行 t-SNE fit_transform...")
start_tsne_fit_test = time.time()
X_test_tsne = tsne_model_test.fit_transform(X_test_scaled_tsne) # 注意这里是 X_test_scaled_tsne
end_tsne_fit_test = time.time()
print(f"测试集 t-SNE fit_transform 完成，耗时: {end_tsne_fit_test - start_tsne_fit_test:.2f} 秒")

print(f"t-SNE降维后，训练集形状: {X_train_tsne.shape}, 测试集形状: {X_test_tsne.shape}")


start_time_tsne_rf = time.time()
# 步骤 3: 训练随机森林分类器
rf_model_tsne = RandomForestClassifier(random_state=42)
rf_model_tsne.fit(X_train_tsne, y_train)

# 步骤 4: 在测试集上预测
rf_pred_tsne_manual = rf_model_tsne.predict(X_test_tsne)
end_time_tsne_rf = time.time()

print(f"t-SNE降维数据上，随机森林训练与预测耗时: {end_time_tsne_rf - start_time_tsne_rf:.4f} 秒")
total_tsne_time = (end_tsne_fit_train - start_tsne_fit_train) + \
                  (end_tsne_fit_test - start_tsne_fit_test) + \
                  (end_time_tsne_rf - start_time_tsne_rf)
print(f"t-SNE 总耗时 (包括两次fit_transform和RF): {total_tsne_time:.2f} 秒")


print("\n手动 t-SNE + 随机森林 在测试集上的分类报告：")
print(classification_report(y_test, rf_pred_tsne_manual))
print("手动 t-SNE + 随机森林 在测试集上的混淆矩阵：")
print(confusion_matrix(y_test, rf_pred_tsne_manual))

输出：

--- 3. t-SNE 降维 + 随机森林  ---
       标准 t-SNE 主要用于可视化，直接用于分类器输入可能效果不佳。
正在对训练集进行 t-SNE fit_transform...
训练集 t-SNE fit_transform 完成，耗时: 13.12 秒
正在对测试集进行 t-SNE fit_transform...
测试集 t-SNE fit_transform 完成，耗时: 3.04 秒
t-SNE降维后，训练集形状: (6000, 2), 测试集形状: (1500, 2)
t-SNE降维数据上，随机森林训练与预测耗时: 1.0249 秒
t-SNE 总耗时 (包括两次fit_transform和RF): 17.18 秒

手动 t-SNE + 随机森林 在测试集上的分类报告：
              precision    recall  f1-score   support

           0       0.70      0.89      0.78      1059
           1       0.25      0.09      0.14       441

    accuracy                           0.65      1500
   macro avg       0.48      0.49      0.46      1500
weighted avg       0.57      0.65      0.59      1500

手动 t-SNE + 随机森林 在测试集上的混淆矩阵：
[[938 121]
 [400  41]]

2、有监督降维

1.线性判别分析（LDA）

Linear Discriminant Analysis

1. 核心定义与目标： 线性判别分析（LDA）是一种经典的有监督降维算法，也常直接用作分类器。作为降维技术时，其核心目标是找到一个低维特征子空间（即原始特征的线性组合），使得在该子空间中，不同类别的数据点尽可能地分开（类间距离最大化），而同一类别的数据点尽可能地聚集（类内方差最小化）。

2. 工作原理简述： LDA 通过最大化“类间散布矩阵”与“类内散布矩阵”之比的某种度量（例如它们的行列式之比）来实现其降维目标。它寻找能够最好地区分已定义类别的投影方向。

3. 关键特性：

有监督性（Supervised）： 这是 LDA 与 PCA 最根本的区别。LDA 在降维过程中必须使用数据的类别标签（y） 来指导投影方向的选择，目的是优化类别的可分离性。
降维目标维度（Number of Components）：LDA 降维后的维度（即生成的判别特征的数量）有一个严格的上限：min(n_features, n_class - 1)。
- n_features：原始特征的数量。
- n_class ：类别标签（y）中不同类别的数量。
- 这意味着，例如，对于一个二分类问题（n_class = 2），LDA 最多能将数据降至 1 维。如果有 5 个类别，最多能降至 4 维（前提是原始特征数不少于4）。这个特性直接源于其优化目标。
线性变换（Linear Transformation）： 与 PCA 类似，LDA 也是一种线性方法。它找到的是原始特征的线性组合来形成新的、具有判别能力的低维特征（称为判别向量或判别成分）。
数据假设（Assumptions）：
- 理论上，LDA 假设每个类别的数据服从多元高斯分布。
- 理论上，LDA 假设所有类别具有相同的协方差矩阵。
- 在实践中，即使这些假设不完全满足，LDA 通常也能表现良好，尤其是在类别大致呈椭球状分布且大小相似时。

4. 输入要求：

特征（X）： 数值型特征。如果存在类别型特征，通常需要先进行预处理（如独热编码）。
标签（y）： 一维的、代表类别身份的数组或 Series （例如 [0, 1, 0, 2, 1] ）。LDA 不需要标签进行独热编码。标签的类别数量直接决定了降维的上限。

5. 与特征（X）和标签（y）的关系：

LDA 的降维过程和结果直接由标签 y 中的类别结构驱动。它试图找到最能区分这些由 y 定义的类别的特征组合。
原始特征 X 提供了构建这些判别特征的原材料。特征 X 的质量和相关性会影响 LDA 的效果，但降维的“方向盘”是由 y 控制的。

6. 优点：

直接优化类别可分性，非常适合作为分类任务的预处理步骤，往往能提升后续分类器的性能。
计算相对高效。
生成的低维特征具有明确的判别意义。

7. 局限性与注意事项：

降维的维度受限于 n_class -1，这可能比 PCA 能达到的降维程度低很多，尤其是在类别数较少时。
作为线性方法，可能无法捕捉数据中非线性的类别结构。如果类别边界是非线性的，LDA 效果可能不佳。
对数据的高斯分布和等协方差假设在理论上是存在的，极端偏离这些假设可能影响性能。
如果类别在原始特征空间中本身就高度重叠，LDA 的区分能力也会受限。

8. 适用场景：

当目标是提高后续分类模型的性能时，LDA 是一个强有力的降维工具。
当类别信息已知且被认为是区分数据的主要因素时。
当希望获得具有良好类别区分性的低维表示时，尤其可用于数据可视化（如果能降到2D或3D）。

简而言之，LDA 是一种利用类别标签信息来寻找最佳类别分离投影的降维方法，其降维的潜力直接与类别数量挂钩。

import time  # 记录时间
import numpy as np # 确保numpy导入

from sklearn.preprocessing import StandardScaler  # 特征缩放，标准化
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis  
from sklearn.ensemble import RandomForestClassifier  # 随机森林分类器
from sklearn.metrics import classification_report, confusion_matrix  # 分类报告和混淆矩阵
import matplotlib.pyplot as plt
import seaborn as sns
from mpl_toolkits.mplot3d import Axes3D  # 如果需要3D绘图

print(f"\n--- 4. LDA 降维 + 随机森林 ---")

# 步骤 1: 特征缩放
scaler_lda = StandardScaler()
X_train_scaled_lda = scaler_lda.fit_transform(X_train)
X_test_scaled_lda = scaler_lda.transform(X_test) # 使用在训练集上fit的scaler

# 步骤 2: LDA 降维
n_features = X_train_scaled_lda.shape[1]
if hasattr(y_train, 'nunique'):
    n_classes = y_train.nunique()
elif isinstance(y_train, np.ndarray):
    n_classes = len(np.unique(y_train))
else:
    n_classes = len(set(y_train))

max_lda_components = min(n_features, n_classes - 1)

# 设置目标降维维度
n_components_lda_target = 10

if max_lda_components < 1:
    print(f"LDA 不适用，因为类别数 ({n_classes})太少，无法产生至少1个判别组件。")
    X_train_lda = X_train_scaled_lda.copy() # 使用缩放后的原始特征
    X_test_lda = X_test_scaled_lda.copy()   # 使用缩放后的原始特征
    actual_n_components_lda = n_features
    print("将使用缩放后的原始特征进行后续操作。")
else:
    # 实际使用的组件数不能超过LDA的上限，也不能超过我们的目标（如果目标更小）
    actual_n_components_lda = min(n_components_lda_target, max_lda_components)
    if actual_n_components_lda < 1: # 这种情况理论上不会发生，因为上面已经检查了 max_lda_components < 1
        print(f"计算得到的实际LDA组件数 ({actual_n_components_lda}) 小于1，LDA不适用。")
        X_train_lda = X_train_scaled_lda.copy()
        X_test_lda = X_test_scaled_lda.copy()
        actual_n_components_lda = n_features
        print("将使用缩放后的原始特征进行后续操作。")
    else:
        print(f"原始特征数: {n_features}, 类别数: {n_classes}")
        print(f"LDA 最多可降至 {max_lda_components} 维。")
        print(f"目标降维维度: {n_components_lda_target} 维。")
        print(f"本次 LDA 将实际降至 {actual_n_components_lda} 维。")

        lda_manual = LinearDiscriminantAnalysis(n_components=actual_n_components_lda, solver='svd')
        X_train_lda = lda_manual.fit_transform(X_train_scaled_lda, y_train)
        X_test_lda = lda_manual.transform(X_test_scaled_lda)

print(f"LDA降维后，训练集形状: {X_train_lda.shape}, 测试集形状: {X_test_lda.shape}")

start_time_lda_rf = time.time()
# 步骤 3: 训练随机森林分类器
rf_model_lda = RandomForestClassifier(random_state=42)
rf_model_lda.fit(X_train_lda, y_train)

# 步骤 4: 在测试集上预测
rf_pred_lda_manual = rf_model_lda.predict(X_test_lda)
end_time_lda_rf = time.time()

print(f"LDA降维数据上，随机森林训练与预测耗时: {end_time_lda_rf - start_time_lda_rf:.4f} 秒")

print("\n手动 LDA + 随机森林 在测试集上的分类报告：")
print(classification_report(y_test, rf_pred_lda_manual))
print("手动 LDA + 随机森林 在测试集上的混淆矩阵：")
print(confusion_matrix(y_test, rf_pred_lda_manual))

输出:

--- 4. LDA 降维 + 随机森林 ---
原始特征数: 30, 类别数: 2
LDA 最多可降至 1 维。
目标降维维度: 10 维。
本次 LDA 将实际降至 1 维。
LDA降维后，训练集形状: (6000, 1), 测试集形状: (1500, 1)
LDA降维数据上，随机森林训练与预测耗时: 1.1535 秒

手动 LDA + 随机森林 在测试集上的分类报告：
              precision    recall  f1-score   support

           0       0.78      0.78      0.78      1059
           1       0.47      0.47      0.47       441

    accuracy                           0.69      1500
   macro avg       0.63      0.63      0.63      1500
weighted avg       0.69      0.69      0.69      1500

手动 LDA + 随机森林 在测试集上的混淆矩阵：
[[828 231]
 [233 208]]

@浙大疏锦行