ML特征工程中通过主成分分析对数据集进行降维压缩精准特征分类

澄绪猿

已于 2023-09-15 15:06:51 修改

阅读量97

点赞数

文章标签：分类数据挖掘 sklearn

于 2023-09-15 14:59:50 首次发布

本文链接：https://blog.youkuaiyun.com/python8181/article/details/132901731

版权

本文介绍了如何使用主成分分析（PCA）进行数据降维，包括sklearn库的PCA函数用法，以及降维过程中的参数设置。一般步骤包括获取数据、合并相关特征、分析相关性并最终通过PCA保留大部分信息后降低维度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.主成分分析PCA降维

接口：sklearn.decomposition.PCA(n_components = None)

传参：n_components 传参为小数时表示保留百分之几的信息；

传参为整数时表示减少到多少维度的数据集

PCA降维最理想的效果是：即极大程度上的降低了数据集的维度，又保留了最多的数据集的message

code:

transfer = PCA(n_component = 2)
# 将数据集中的特征值降低为2维的数据
transfer = PCA(n_component = 0.95)
# 将数据集中的数据进行降维效果的处理，并保留百分之95的数据信息
datanow = transfer.fit_transform(data)
# data:需要进行降维的数据， datanow = 降维后的数据集

一般的流程：

1.get data_set

2.合并表（判断相关性的特征）

3.找到相关性之间的关系

4.PCA降维