KPCA-小麦分类

import required packages

import numpy as np
import matplotlib.pyplot as plt
from sklearn import   datasets,decomposition

处理数据得到标准化后的X和y

fp=open('seeds_dataset.txt','r')
ls=[]
for line in fp:
    line=line.strip('\n')   #将\n去掉
    ls.append(line.split('\t'))   #将空格作为分隔符将一个字符切割成一个字符数组

fp.close()
ls=numpy.array(ls,dtype=float)   #将其转换成numpy的数组，并定义数据类型为float
print(ls)

# 将文件转为DataFrame表格
ls_pd = pd.DataFrame(ls)
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
data_std = sc.fit_transform(ls_pd.loc[:,1:6])

plot_PCA函数

def plot_KPCA(*data):
#     ''' 绘制经过 KernelPCA 降维到二维之后的样本点'''
    X,y=data
    kernels=['linear','poly','rbf','sigmoid']
    fig=plt.figure(figsize = (10,10))
    colors=((1,0,0),(0,1,0),(0,0,1),(0.5,0.5,0),(0,0.5,0.5),(0.5,0,0.5),
        (0.4,0.6,0),(0.6,0.4,0),(0,0.6,0.4),(0.5,0.3,0.2),)# 颜色集合，不同标记的样本染不同的颜色
 
    for i,kernel in enumerate(kernels): # 外层循环是对于kernel的循环 外层第一次循环，某一种kernel的三种类别被画出来了
        kpca=decomposition.KernelPCA(n_components=2,kernel=kernel)
        kpca.fit(X)
        X_r=kpca.transform(X)# 原始数据集转换到二维
        ax=fig.add_subplot(2,2,i+1) ## 两行两列，每个单元显示一种核函数的 KernelPCA 的效果图
        for label ,color in zip( np.unique(y),colors): # np.unique(y)得到几个类别：1、2、3
            position=y==label# position的长度为210
#             print(position) # 第一次所有类别为1的样本的Position为True
            ax.scatter(X_r[position,0],X_r[position,1],label="target= %d"%label,
            color=color) # 找到某一个label的x的列表集合 找到某一个label的y的列表集合
            # scatter函数的第一个参数是x的列表，第二个参数是y的列表     
#             break
#         break
#         ax.set_xlabel("X[0]")
#         ax.set_ylabel("X[1]")
#         ax.legend(loc="best")
#         ax.set_title("kernel=%s"%kernel)
#     plt.suptitle("KPCA")
    plt.show()

探索函数

kk = np.array([[1,2],
              [3,4],
              [5,6]])

kk
array([[1, 2],
[3, 4],
[5, 6]])

pp = pd.Series([True,True,False])

(kk[pp,0],kk[pp,1])
(array([1, 3]), array([2, 4]))

实验过程

1. 首先处理数据后得到标准化后的data_std和样本标签y。
2. 调用plot_KPCA函数画出不同kernel的KPCA分类图（特征降到二维后分类的图）

实验结果