PCA 主成分分析算法

PCA 算法的目的是降纬,多维数据分析时无法进行表达,在数据分析中,常用的是两个变量,也就是二维坐标系进行数据分析。PCA 可以将多维数据进行主成分析,从而达到降维的目的,最终使用 PCA 中的 PC1 和 PC2 作为主要纬度进行分析。PCA 的计算过程包括以下步骤:

  1. 数据标准化 Z=X−μσZ = \frac{X - \mu}{\sigma}Z=σXμ
  2. 计算协方差矩阵 C=1n−1ZTZC = \frac{1}{n-1} Z^T ZC=n11ZTZ
  3. 计算矩阵 C 的特征值和特征矩阵,按特征值进行倒排序,取前n 个特征向量,一般两个就可以,等到矩阵 W
  4. 计算 Zprojected=Z⋅WZ_{\text{projected}} = Z \cdot WZprojected=ZW

SKlearn 实现 PCA

# 准备数据
from sklearn import datasets
import matplotlib.pyplot as plt

# 导入sklearn数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 导入sklearn降维模块
from sklearn import decomposition
# 创建pca模型实例,主成分个数为3个
pca = decomposition.PCA(n_components=3)
# 模型拟合
pca.fit(X)
# 拟合模型并将模型应用于数据X
X_trans = pca.transform(X)

# 颜色列表
colors = ['navy', 'turquoise', 'darkorange']
# 绘制不同类别
for c, i, target_name in zip(colors, [0,1,2], iris.target_names):
    plt.scatter(X_trans[y == i, 0], X_trans[y == i, 1], 
            color=c, lw=2, label=target_name)
# 添加图例
plt.legend()
plt.show();

在这里插入图片描述

总结

PCA 主成分分析,能对多维数据分析进行降维,从而可以将数据展示在二、三维坐标轴上。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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