Python学习笔记,主成分分析法

本文介绍了Python中主成分分析(PCA)的概念和步骤,并通过sklearn库分析鸢尾花卉数据集,展示如何进行数据降维,保持信息量的同时简化数据处理。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

主成分分析

整理整理自己学习python过程中的知识点,主成分分析法。
首先为什么需要主成分分析呢?比方说:记得高一时,一到期末就会有八门课的考试,而这八门课的成绩对你的成绩排名影响比重是不一样的。语文不怎么拉得开分,而数学的话对排名的影响还是比较大的。从这里面可以看出,八个特征值对你最终排名的贡献率是不一样的。这里我们就需要用到主成分分析法。将数据进行降维来分析,避免一些无用功。

接下来介绍一下主成分分析的步骤:
1.先求均值,再减去均值
2.计算协方差矩阵
3.计算协方差矩阵的特征值和特征向量
4.特征值从小到大排序,保留K个最大特征值
5.将mn的数据集乘以k个n维的特征向量的特征向量(nk),得到降维数据

值得注意的是为什么特征值 要从大到小排?
之前说了每一门课的重要程度是不一样的,而特征值越大,样本就越离散,信息量就越多,越容易区分,他就越重要。

接下来是使用sklearn库中的PCA分析iris数据集(鸢尾花卉数据集)
以下是代码:

import matplotlib.pyplot as pyl
from sklearn.decomposition import PCA
from sklearn.datasets import load_iris

#导入鸢尾花数据,系统自带的数据
data = load_iris()
#提取出两组数据
y = data.target
x = data.data
#加载PCA算法
pca = PCA()
#训练数据
pca.fit(x)
#计算模型中各个特征量
tzl = pca.components_
print("各个特征量为:")
print(tzl)
#计算各个成分中各方差的百分比,贡献率
bfz = pca.explained_variance_ratio_
print("各贡献率为:")
print(bfz)


#确定要降的维数
pca1 = PCA(2)
#训练数据
pca1.fit(x)
#降维
pca_x = pca1.transform(x)

#提取类别
yellow_x,yell
评论 1
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