机器学习之PCA降维算法（一）调库实现

最新推荐文章于 2022-06-15 09:15:27 发布

繁华三千东流水

最新推荐文章于 2022-06-15 09:15:27 发布

阅读量1.1k

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习算法思想及代码实现文章标签：机器学习 PCA 降维算法

本文链接：https://blog.youkuaiyun.com/qq872890060/article/details/97017491

本文介绍了PCA（主成分分析）的代码实现思路和详细注释，通过PCA进行特征降维，虽然会损失少许特征信息，但能显著减少计算量，降低复杂度，优势明显。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

PCA代码实现思路

PCA是工业界对数据特征进行降维所使用的非常经典的算法之一。
python代码中的实现思路：
1.导入相应的包
2对数据进行处理，包括缩放，洗牌等操作
3.建立模型
4.训练模型（这里的训练有返回值，返回的就是降维处理好的数据）
5.可视化处理（当维度降到2维或3维，可以进行可视化处理）

PCA降维代码及注释

# 以datasets中的恶性肿瘤数据为例
# 画出降维后的可视化图形
from matplotlib import pyplot as plt
from sklearn.datasets import load_breast_cancer
from sklearn.decomposition import PCA
# 设置中文字体和负号正常显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 读取数据
data = load_breast_cancer()
X = data.data
y = data.target
# 创建模型
model_pca = PCA(n_components=2)
# 训练模型 获得降维后的数据
X_new = model_pca.fit_transform(X)
# 打印一些数据值
print('特征向量是：',model_pca.components_)
print('特征值是：',model_pca.explained_variance_)
print('特征占比是：',model_pca.explained_variance_ratio_)
# 画图
plt.title('降维后的数据可视化')
plt.scatter(X_new[y==0,0],X_new[y==0,1],c='r',label='良性')
plt.scatter(X_new[y==1,0],X_new[y==1,1],c='g',label='恶性')
plt.legend()
plt.show()