8、机器学习数据模型探索：PCA、LDA与SVM详解

机器学习数据模型探索：PCA、LDA与SVM详解

1. 主成分分析（PCA）

PCA 能够创建一个散点图，展示数据点相对于主成分 1 和主成分 2 的分布。该图有助于用户可视化数据中潜在的模式，而这些模式用普通的二维特征散点图是难以观察到的。原始数据集有四个特征，通过 PCA 算法将其降维到二维，从而可以创建这样的散点图。

1.1 PCA 演示步骤

• 确保 iris.csv 文件与脚本在同一目录下，并删除 CSV 文件的第一条记录。
• 运行脚本的命令为： python pcaDemo.py 。

运行脚本后会得到单变量图和数值结果。从单变量图中可以看出，萼片值更倾向于高斯分布，而花瓣值更倾向于多峰分布。在考虑适用于该数据集的数据模型时，这些观察结果应被牢记。

数值结果中的特征值比率列表很关键，该列表显示了与四个主成分或特征向量相关的累积方差百分比。列表中的第二个值为 95.8%，这意味着前两个主成分负责超过 95% 的测量方差，即只有两个向量承载了数据集的大部分信息，可表示为 k = 2。这一结果很棒，能够创建一个非常精简的矩阵，仍然代表原始数据集中的大部分信息。

1.2 协方差矩阵分析

	萼片长度	萼片宽度	花瓣长度	花瓣宽度
<