【机器学习】【PCA-2】PCA主成分分析的降维的Python实现 + 代码讲解

本文介绍了PCA主成分分析的降维原理,并提供了详细的Python代码实现。PCA通过协方差矩阵和特征向量正交性进行降维,使得降维后的矩阵协方差对角化。文章中的人肉代码讲解有助于理解PCA的计算过程。

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

1.PCA主成分分析原理和降维求解步骤

这些在前面文章都已经详细讲解,看了会很容易理解,详见前面文章:【机器学习】【PCA-1】PCA基本原理和原理推导 + PCA计算步骤讲解 + PCA实例展示数学求解过程

其实PCA计算过程很简单,核心的是理解PCA的原理推理,主要涉及协方差矩阵式C是一个实对角矩阵,实对角矩阵的不同特征值对应的特征向量是正交的!PCA降维后的降维矩阵的协方差矩阵要求是对角矩阵,每个维度特征互相的协方差cov(x,y)=0。然后用这俩思路联合起来推导出来的PCA降维公式Z=XU。

详细的推理过程还是看前面文章为妙。

2.PCA降维的Python实现

完全人肉出品,代码如下所示:

2.1代码

# -*- coding: utf-8 -*-
"""
@author: 蔚蓝的天空Tom
Talk is cheap, show me the code
Aim:使用PCA求样本矩阵X的K阶降维矩阵Z
"""

import numpy as np

class CPCA(object):
    '''用PCA求样本矩阵X的K阶降维矩阵Z
    Note:请保证输入的样本矩阵X shape=(m, n),m行样例,n个特征
    '''
    def __init__(self, X, K):
        '''
        :param X,训练样本矩阵X
        :param K,X的降维矩阵的阶数,即X要特征降维成k阶
        '''
        self.X = X       #样本矩阵X
        self.K = K       #K阶降维矩阵的K值
        self.centrX = [] #矩阵X的中心化
        self.C = []      #样本集的协方差矩阵C
        self
评论 2
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