扫码阅读
手机扫码阅读
PCA主成分分析基本原理及案例
29 2024-10-26
我们非常重视原创文章,为尊重知识产权并避免潜在的版权问题,我们在此提供文章的摘要供您初步了解。如果您想要查阅更为详尽的内容,访问作者的公众号页面获取完整文章。
查看原文:PCA主成分分析基本原理及案例
文章来源:
Python学习杂记
扫码关注公众号
主成分分析(PCA)摘要
基本原理
主成分分析(PCA)是一种在保留数据主要特征信息的前提下减少数据维度的技术。它通过将数据转换到新坐标系统来实现,其中新坐标的基是由数据集协方差矩阵的特征向量组成。这些特征向量称为主成分,第一主成分具有最大方差,依次类推。选择前几个主成分可以用更少的维度描述原始数据。
实现步骤
- 标准化:对数据进行去中心化处理,将每个特征的均值变为0,标准差变为1。
- 计算协方差矩阵:在标准化数据的基础上计算特征之间的协方差矩阵。
- 特征值和特征向量:计算协方差矩阵的特征值和特征向量,确定新坐标系的投影方向和长度。
- 选择主成分:根据特征值的大小选择前k个特征向量作为主成分。
- 数据转换:使用选定的主成分将原始数据转换到新坐标系。
详细案例
案例使用Python对鸢尾花数据集进行PCA降维。首先导入必要的库,包括numpy, matplotlib, seaborn, PCA和StandardScaler。数据集加载后,使用StandardScaler进行标准化。然后初始化PCA,将数据降维到2维。通过可视化,我们可以看到降维后不同类别的鸢尾花在二维空间中被清晰区分。
# 导入库
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.decomposition import PCA
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
sns.set()
# 数据处理
iris = load_iris()
X = iris.data
y = iris.target
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
# PCA降维
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)
# 结果可视化
plt.figure(figsize=(8, 6))
for i, target_name in enumerate(iris.target_names):
plt.scatter(X_pca[y == i, 0], X_pca[y == i, 1], label=target_name)
plt.xlabel('Principal Component 1')
plt.ylabel('Principal Component 2')
plt.legend()
plt.title('PCA of IRIS dataset')
plt.show()
想要了解更多内容?
查看原文:PCA主成分分析基本原理及案例
文章来源:
Python学习杂记
扫码关注公众号
Python学习杂记的其他文章
Tkinter的基础使用介绍
简介Tkinter是Python的标准GUI库之一,它提供了创建GUI应用程序所需的各种组件和工具。
Seaborn绘制统计图
seaborn的基础使用先看一一个简单案例。
决策树基本实现原理介绍
决策树是一种常用的机器学习算法,具有直观、易于理解和解释的特点。本文将介绍决策树的基本原理、实现过程。
ChatGPT最强竞争对手Claude版本升级
最近,ChatGPT的最大竞争对手Anthropic正式发布了全新的Claude升级。
介绍几款实用的AI搜索引擎
在日常生活中,我们大多使用的搜索引擎是百度和谷歌等。本文将给大家简单介绍几款实用的AI助手搜索工具,与传统搜索引擎相比,它们利用人工智能提升了用户体验。
加入社区微信群
与行业大咖零距离交流学习
软件研发质量管理体系建设
白皮书上线