PCA、LDA降维——应用于wine葡萄酒数据集

最新推荐文章于 2025-07-03 14:18:04 发布

北落师门XY

最新推荐文章于 2025-07-03 14:18:04 发布

阅读量1.2w

点赞数 9

CC 4.0 BY-SA版权

分类专栏： ML、DL

本文链接：https://blog.youkuaiyun.com/weixin_41819299/article/details/80943438

本文介绍了使用PCA和LDA在wine数据集上的降维过程。PCA在标准化后进行，而LDA是不需要标准化的有监督降维方法，尤其适合区分不同类别。在wine数据集中，LDA能更好地保持类别间的距离，提升分类准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考教程：https://mp.weixin.qq.com/s/QqqLAxx92v_HOg7QBKrK6A

一、wine数据集介绍

sklearn的wine数据，它有178个样本，13个特征（Alcohol ，Malic acid ，Ash等），总共分为三类。

二、查看三个特征下的数据分布

#葡萄酒数据集+PCA
import matplotlib.pyplot as plt#画图工具
from mpl_toolkits.mplot3d import Axes3D
from sklearn import datasets
data=datasets.load_wine()
X=data['data']
y=data['target']
###########

#选取三个特征查看IRIS数据分布
ax = Axes3D(plt.figure())
for c,i,target_name in zip('>o*',[0,1,2],data.target_names):
    ax.scatter(X[y==i ,0], X[y==i, 1], X[y==i,2], marker=c, label=target_name)
ax.set_xlabel(data.feature_names[0])
ax.set_ylabel(data.feature_names[1])
ax.set_zlabel(data.feature_names[2])
ax.set_title("wine")
plt.legend()
plt.show()

注意：与鸢尾花数据集相比，绘图时的区别是‘>o*’和marker