PCA 降维源代码（Python）

最新推荐文章于 2023-02-13 16:57:59 发布

dqefd2e4f1

最新推荐文章于 2023-02-13 16:57:59 发布

阅读量1.8k

点赞数

分类专栏：其他

其他专栏收录该内容

9 篇文章

订阅专栏

本文详细介绍了使用sklearn库和numpy库实现主成分分析(PCA)的方法，通过具体代码示例展示了如何对数据进行预处理、计算协方差矩阵、求解特征值和特征向量，最终实现数据降维。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

#调用sklearn库实现PCA
from sklearn import decomposition
pca = decomposition.PCA()
pca.fit(X_arr) #X_arr是原始数据集，一行表示一个样本，一列表示一个feature
pca.n_components = 2 #降为两维
X_reduced = pca.fit_transform(X_arr) #X_reduced是降维后的数据集

上述代码运行无误！

#基于numpy自己实现PCA
import numpy as np
meanval=np.mean(X_arr, axis=0) #计算原始数据中每一列的均值，axis=0按列取均值
newData=X_arr-meanval #去均值化，每个feature的均值为0
covMat=np.cov(newData,rowvar=0) #计算协方差矩阵，rowvar=0表示数据的每一列代表一个feature
featValue, featVec=np.linalg.eig(covMat) #计算协方差矩阵的特征值和特征向量
index=np.argsort(featValue) #将特征值按从大到小排序，index保留的是对应原featValue中的下标
n_index=index[-1:-3:-1] #取最大的两维特征值在原featValue中的下标
n_featVec=featVec[:, n_index] #取最大的两维特征值对应的特征向量组成变换矩阵
lowData=np.dot(newData,n_featVec) #lowData=newData*n_featVec
highData=np.dot(lowData,n_featVec.T)+meanval #highData=(lowData*n_featVec.T)+meanval

该代码没有运行过。

参考文献：https://blog.youkuaiyun.com/u012991043/article/details/81132410?tdsourcetag=s_pcqq_aiomsg