遥感&机器学习入门实战教程｜Sklearn案例⑩：降维与分解（decomposition 模块）-优快云博客

在高光谱、时序遥感数据里，特征维度往往非常高。如何压缩维度、提取主要信息，是建模前的重要一步。sklearn.decomposition 模块为我们提供了一系列常见的降维与分解方法，本篇就带大家快速入门。

另外，往期内容和数据链接如下：

🧩 decomposition 模块常见方法

PCA（主成分分析）：最经典，线性正交投影，保留最大方差方向。
IncrementalPCA：适合大数据分批训练。
KernelPCA：非线性降维，用核函数映射到高维再PCA。
ICA（独立成分分析）：把信号分解为统计独立分量，常用于混合源分离。
NMF（非负矩阵分解）：分解为非负基和系数，适合光谱分解与端元分析。
DictionaryLearning / SparseCoding：用稀疏字典表示数据。

💻 示例代码：多方法降维对比

这里我们用 KSC 数据集，取有标签像素，演示 PCA / ICA / NMF 三种方法，把数据降到 2 维并可视化对比。

# -*- coding: utf-8 -*-
"""
Sklearn案例⑩：decomposition 降维方法对比
演示 PCA / ICA / NMF 在高光谱数据上的效果
"""

import os, numpy as np, scipy.io as sio, matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from sklearn.decomposition import PCA, FastICA, NMF

# ===== 参数 =====
DATA_DIR = "your_path"   # ←修改为你的数据路径
SEED = 42

# ===== 1. 数据加载 =====
X = sio.loadmat(os.path.join(DATA_DIR,"KSC.mat"))["KSC"].astype(np.float32)
Y = sio.loadmat(os.path.join(DATA_DIR,"KSC_gt.mat"))["KSC_gt"].astype(int)
coords = np.argwhere(Y!=0)
X_all  = X[coords[:,0], coords[:,1]]
y_all  = Y[coords[:,0], coords[:,1]]-1

# 为保证非负分解可用，先缩放到 [0,1]
scaler = MinMaxScaler().fit(X_all)
X_all  = scaler.transform(X_all)

# ===== 2. 定义三种分解方法 =====
models = {
    "PCA": PCA(n_components=2, random_state=SEED),
    "ICA": FastICA(n_components=2, random_state=SEED, max_iter=1000),
    "NMF": NMF(n_components=2, init="nndsvda", random_state=SEED, max_iter=1000)
}

# ===== 3. 拟合与变换 =====
results = {}
for name, model in models.items():
    X_trans = model.fit_transform(X_all)
    results[name] = X_trans

# ===== 4. 可视化对比 =====
plt.figure(figsize=(12,4))
for i,(name,Xt) in enumerate(results.items(),1):
    plt.subplot(1,3,i)
    plt.scatter(Xt[:,0], Xt[:,1], c=y_all, s=6, cmap="tab20")
    plt.title(name)
    plt.axis("off")
plt.suptitle("Sklearn.decomposition 多方法降维对比", fontsize=14)
plt.tight_layout(rect=[0,0,1,0.95])
plt.show()