silent1cat的博客

前言主成分分析(Principal Components Analysis)，简称PCA，一种数据降维技术，常用于数据处理这一方面，好比说我们的数据集中有100个特征，这些特征可能有共性、无用的信息，或者我们想要将多特征融合，此时我们就需要用到PCA降维技术。PCA实现原理通俗来说，就是将数据从原始的向量空间转换到新的特征空间中去。比如：我们有在原始向量空间中的四维数据(a,b,c,d)，需要将其降到三维，那么原理是通过某种方法，用新的坐标(a0,b0,c0,d0)来表示原始坐标。(在新的特征空间中，

导入所需要的库import numpy as npimport pandas as pdfrom matplotlib import font_manager as fm, rcParamsimport matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_split # 用于分割数据集将sklearn中的data数据转换成csvimport pandas as pdfrom sklearn.datas

概述MinMaxScaler将通过估计器分别缩放和转换每个元素成给定范围的值。(如：[0, 1]之间的值)数学公式X_std = (X - X.min(axis=0)) / (X.max(axis=0) -X.min(axis=0))X_scaled = X_std * (max - min) + min其中min，max为feature_range的范围(feature_range为MinMaxScaler的参数可以设置最终转换的范围)实际转换过程公式如下：X_scaled = scale