使用PCA分析鸢尾花数据

最新推荐文章于 2024-05-30 08:33:57 发布

原创

最新推荐文章于 2024-05-30 08:33:57 发布 · 1.8k 阅读

15 ·

CC 4.0 BY-SA版权

文章标签：

#python #数据分析 #数据挖掘

本文介绍了PCA（主成分分析）在处理高维数据时的作用，并通过手动推导PCA的过程，详细解释了如何计算特征值、特征向量及方差贡献率。以鸢尾花数据集为例，展示了如何使用Python实现PCA，包括数据标准化、计算协方差矩阵、选取主要特征等步骤，最终得到数据的主成分。

在这里简单记录下学习PCA的一次简单实践；

为什么需要用到PCA呢?

在数据挖掘中，维度太大是一个很大的问题，影响挖掘的效率，PCA是一个最常用的、简单、基础理论完备的方法。

PCA(主成分分析)的手推过程

求给出矩阵X(m x n)的协方差矩阵S(m x m)；
计算协方差矩阵的特征值λ和特征向量α；
计算方差贡献率；
$Ti=λi∑i=1nλiT_i = \frac{\lambda_i}{\sum_{i=1}^n\lambda_i}$

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

evil_destiny

关注关注

0
点赞
踩
15

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

数据集特征提取_基于PCA算法实现鸢尾花数据集的特征提取任务

weixin_39622399的博客

10-22

2000

PCA算法的必要性多变量大数据集无疑会为研究和应用提供丰富的信息，但是许多变量之间可能存在相关性，从而增加了问题分析的复杂性。如果分别对每个指标进行分析，分析往往是孤立的，不能完全利用数据中的信息，因此盲目减少指标会损失很多有用的信息，从而产生错误的结论。因此如果可以在减少需要分析的指标同时，尽量减少原指标包含信息的损失，那么将有利于算法模型的搭建。由于各变量之间存在一定的相关关系，因此可以考虑将...

计算方法实验6：对鸢尾花数据集进行主成分分析(PCA)并可视化

weixin_73004416的博客

04-14

1971

iris数据集包含150条数据，从iris.txt读取，每条数据有4个属性值和一个标签（标签取值为0，1，2）。要求对这150个4维数据进行PCA，可视化展示这些数据在前两个主方向上的分布，其中不同标签的数据需用不同的颜色或形状加以区分。

参与评论您还未登录，请先登录后发表或查看评论

PCA 鸢尾花

weixin_43326122的博客

05-30

410

import numpy as np import pandas as pd import math import matplotlib.pyplot as plt %matplotlib inline # 列名 cols = [ 'sepal length in cm', 'sepal width in cm', 'petal length in cm', 'petal width in cm', 'class label' ] df = pd.read_csv

MechineLearning--PCA处理鸢尾花数据

qq_36789311的博客

08-12

1417

PCA原理部分 PCA（Principal components analysis）也称主成分分析，是机器学习中降维的一种方法为什么要降维在真实的数据中有各种问题，PCA的思想是将n维特征映射到m维上（m<n） 1、如多余的数据，商店的客流量与营业额，很明显这两组的数据相关度比较高,简单的理解就是把上述客流量与营业额合并成一个维度 2、由于信道不理想的，怎么滤去传输过程中的噪音，简单的理...

利用PCA对鸢尾花数据集进行降维测试

u014306722的博客

08-23

5555

利用PCA对鸢尾花数据集进行降维测试 鸢尾花数据集：总150给样本，每个样本有四个属性，共三类，标签分别为：“setosa”、“versicolor”和“virginica”。数据集下载：链接: https://pan.baidu.com/s/1Nd65FCDBs75Xt1xUwinOzQ 密码: kspw clear %%鸢尾花数据集。 %% Y = {"Iris-setosa","I...

基于PCA模型的鸢尾花数据可视化_pythonpca花_PCA鸢尾花_python_PCA模型_鸢尾花数据_

10-02

在本项目中，我们重点关注如何使用Python实现PCA模型，并应用于鸢尾花数据集进行可视化。 鸢尾花数据集是机器学习领域经典的数据集之一，包含了三种不同鸢尾花（Setosa, Versicolour, Virginica）的多个测量特征，...

使用PCA对鸢尾花数据集进行降维与特征提取

最新发布

08-22

在机器学习领域中，数据预处理是一个至关重要的环节，其效果直接影响...在实际应用中，PCA不仅限于对鸢尾花数据集进行降维和特征提取，还可以广泛应用于其他领域和数据集，是数据科学和机器学习领域不可或缺的一部分。

基于PCA实现鸢尾花数据集降维【源程序】【Python】

03-29

plt.title('PCA降维后的鸢尾花数据分布') plt.xlabel('第一主成分') plt.ylabel('第二主成分') plt.show() ``` 这个项目的源程序可能包含了以上步骤的完整代码，包括数据加载、PCA处理和结果可视化。通过运行源程序...

python导入鸢尾花数据集，使用主成分分析函数对鸢尾花数据集降维数据集和原始数据集分别进行线性判别比较分析的准确率

01-21

实验的目的是复习PCA的原理和算法，并使用Python的sklearn库对鸢尾花数据集进行主成分分析。实验步骤包括： 1. **导入鸢尾花数据集**：使用`datasets.load_iris()`函数从sklearn库中加载数据集，查看数据分布。通过...

无监督学习-降维-PCA算法的应用-对鸢尾花数据集进行降维

Blackoutdragon的博客

01-29

1390

目的将三类四维的鸢尾花数据，使用PCA对其进行降维，实现在二维平面上的可视化实现源码体现在最终的结果中，二维坐标系中的点，对应的是横纵坐标，所以需要两个数据，这里将鸢尾花数据进行计算，降维变成一个坐标点。 import matplotlib.pyplot as plt # 导入对应的降维模块 from sklearn.decomposition import PCA # 导入对应的数据集 from sklearn.datasets import load_iris # 加载鸢尾花数据集，以字典的

MATLAB 对iris数据集进行PCA

11-04

matlab PCA的m文件。数据集Iris是常用的分类实验数据集，由Fisher, 1936收集整理。优快云上原来有一个arff格式的鸢尾花数据集，不方便matlab直接调用。我的这个数据集是txt格式的，在matlab下可以直接一句命令“load('iris.txt')”加载。 iris以鸢尾花的特征作为数据来源，常用在分类操作中。该数据集由3种不同类型的鸢尾花的50个样本数据构成。其中的一个种类与另外两个种类是线性可分离的，后两个种类是非线性可分离的。该数据集包含了5个属性： & Sepal.Length（花萼长度），单位是cm; & Sepal.Width（花萼宽度），单位是cm; & Petal.Length（花瓣长度），单位是cm; & Petal.Width（花瓣宽度），单位是cm; & 种类：Iris Setosa（山鸢尾）、Iris Versicolour（杂色鸢尾），以及Iris Virginica（维吉尼亚鸢尾

鸢尾花（iris）数据集，txt格式，matlab可以直接调用

11-04

Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。优快云上原来有一个arff格式的鸢尾花数据集，不方便matlab直接调用。我的这个数据集是txt格式的，在matlab下可以直接一句命令“load('iris.txt')”加载。 iris以鸢尾花的特征作为数据来源，常用在分类操作中。该数据集由3种不同类型的鸢尾花的50个样本数据构成。其中的一个种类与另外两个种类是线性可分离的，后两个种类是非线性可分离的。该数据集包含了5个属性： & Sepal.Length（花萼长度），单位是cm; & Sepal.Width（花萼宽度），单位是cm; & Petal.Length（花瓣长度），单位是cm; & Petal.Width（花瓣宽度），单位是cm; & 种类：Iris Setosa（山鸢尾）、Iris Versicolour（杂色鸢尾），以及Iris Virginica（维吉尼亚鸢尾）。

PCA应用（鸢尾花分类）

cp0328的博客

07-19

9627

1.PCA 1.1PCA的概念 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。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中，第一个新坐标轴...

PCA算法之对鸢尾花数据降维处理并可视化

SuperBetterMan的博客

02-04

4916

主成分分析（PCA） 主成分分析是最常用的一种降维方法，通常用于高维数据集的探索与可视化，还可以用作数据压缩和预处理等。 PCA可以把具有相关性的高维变量合成为线性无关的低维变量，称为主成分。主成分能够尽可能保留原始数据的信息。原理：矩阵的主成分就是协方差矩阵对应的特征向量，按照对应的特征值大小进行排序，最大的特征值就是第一主成分，其次是第二主成分，以此类推。 import matplotl...

PCA降维与线性判别分析--鸢尾花

qq_52980359的博客

01-30

576

3. 降维前的四维图（平行坐标图 (parallel coordinate plot) 是可视化高维多元数据的一种常用方法，为了显示多维空间中的一组对象，绘制由多条平行且等距分布的轴，并将多维空间中的对象表示为在平行轴上具有顶点的折线。顶点在每一个轴上的位置就对应了该对象在该维度上的中的变量数值)1.鸢尾花数据集降维（原始数据集维度是4，降维后数据集维度是2）2. 对比特征值特征向量。

机器学习case2 降维之PCA+鸢尾花

weixin_41357720的博客

05-20

331

降维之PCA+鸢尾花 数据集来源：from sklearn.datasets import load_iris 代码展示： import matplotlib.pyplot as plt from sklearn.decomposition import PCA from sklearn.datasets import load_iris data=load_iris()#导入数据 #print(data)字典的形式 y = data.target#使用y表示数据集的中的标签 X = data.data

PCA --理解及鸢尾花实践（sklearn）

(｡◕‿◕｡)

03-30

2262

简介 PCA:主成分分析（Principal components analysis）主要是通过对协方差矩阵进行特征分解，以得出数据的主成分（特征向量）与它们的权值（特征值），它提供了一种降低数据维度的有效办法；如果分析者在原数据中除掉最小的特征值所对应的成分，那么所得的低维度数据必定是最优化的（也即，这样降低维度必定是失去讯息最少的方法）。其数学定义为：一个正交化线性变换，把数据变换到一个...

【模式识别原理】matlab鸢尾花分类中进行PCA特征提取，降维。

周文龙的博客

05-30

1124

投影方向可取样本数据协方差矩阵的特征向量，各特征向量的重要程度利用其对应的特征值来衡量。实验目的在于加深学生对PCA原理的理解，通过实际的数据处理掌握PCA的处理流程、验证PCA的性质，体会其在模式识别中的作用。种类：Iris Setosa（山鸢尾）、Iris Versicolour（杂色鸢尾）、Iris Virginica（维吉尼亚鸢尾）。该数据集以鸢尾花的特征作为数据来源，由3种不同类型的鸢尾花的50个样本数据构成。可更改构成变换矩阵的向量个数，从而得到不同数量的特征，实现特征降维。

【使用 PCA 实现对鸢尾花四维数据（Iris）进行降维处理】