20、Python特征工程，维度压缩

最新推荐文章于 2022-09-03 18:18:39 发布

UP Lee

最新推荐文章于 2022-09-03 18:18:39 发布

阅读量1.1k

点赞数

CC 4.0 BY-SA版权

分类专栏：数据挖掘实战文章标签：维度压缩 Python特征工程

本文链接：https://blog.youkuaiyun.com/qq_36327687/article/details/85010687

本文介绍了Python中如何运用主成分分析(PCA)进行维度压缩。PCA能在保留方差贡献最大的特征的同时，减少数据集的维度。通过设置n_components参数进行维度设定，然后使用fit_transform方法对数据进行训练和转换。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 维度压缩

主成分分析（rincipal components Analysis）

在减少数据集的维度的同时，保持对方差贡献最大的特征

2 PCA方法

pca_3=PCA(n_components=3) 维度设置

fit 训练数据

data_pca_3=pca_3.fit_transform(data)

3 代码案例事例


import pandas
from sklearn import datasets
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
from mpl_toolkits.mplot3d import Axes3D

# d加载库里边的iris数据集
iris=datasets.load_iris()

# 选择自变量和因变量

data=iris.data
target=iris.target

# 选择维度并进行训练

pca_3=PCA(n_components=3)

data_pca_3=pca_3.fit_transform(data)

"""
散点样式：

参数	样式
'.'	实心点
'o'	圆圈
','	一个像素点
'x'	叉号
'+'	十字
'*'	星号
'^' 'v' '<' '>'	三角形(上下左右)
'1' '2' '3' '4'	三叉号（上下左右）

颜色：

参数	颜色
'b'	蓝
'g'	绿
'r'	红
'c'	青
'm'	品红
'y'	黄
'k'	黑
'w'	白
"""

### 定义颜色和三点样式


colors={
        0:'r',
        1:'b',
        2:'k'
        }

markers={
        0:'X',
        1:'D',
        2:'o'
        }

# 弹出图形 %matplotlib qt

# 调用三维数据