登录  /  注册

Python中的主成分分析实例

王林
发布: 2023-06-10 08:19:53
原创
672人浏览过

python中的主成分分析实例

主成分分析(Principal Component Analysis,PCA)是一种常用于数据降维的方法,可以将高维度数据降维至低维度,保留尽可能多的数据变异信息。Python提供了许多用于实现PCA的库和工具,本文就通过一个实例来介绍如何使用Python中的sklearn库实现PCA。

首先,我们需要准备一个数据集。本文将使用Iris数据集,该数据集包含150条样本数据,每个样本都有4个特征值(花萼的长度和宽度、花瓣的长度和宽度),以及一个标签(鸢尾花的类型)。我们的目标是将这4个特征进行降维,找到最重要的主成分。

首先,我们需要导入必要的库和数据集。

from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt

iris = load_iris()
X = iris.data
y = iris.target
登录后复制

现在我们可以创建一个PCA对象并应用它。

pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
登录后复制

这里的PCA对象设置n_components=2,表示我们只想在二维平面上展示我们处理后的数据。我们将fit_transform应用于原始数据X,获取处理后的数据集X_pca。

现在我们可以绘制结果图。

plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y)
plt.xlabel('Component 1')
plt.ylabel('Component 2')
plt.show()
登录后复制

在这个图中,我们可以看到Iris数据集在降维后的二维空间中的分布。每个点都表示一个鸢尾花的样本,颜色表示鸢尾花的类型。

现在让我们看看主成分应该是什么。

print(pca.components_)
登录后复制

这会输出两个向量,分别称为“成分1”和“成分2”。

[[ 0.36158968 -0.08226889 0.85657211 0.35884393]
[-0.65653988 -0.72971237 0.1757674 0.07470647]]

每个元素表示原始数据中的一个特征的权重。换句话说,我们可以将主成分看作是用于线性组合原始特征的向量。结果中的每个向量都是一个单位向量。

我们也可以查看每个成分解释的数据方差量。

print(pca.explained_variance_ratio_)
登录后复制

这个输出会显示每个成分解释的数据方差量的比例。

[0.92461621 0.05301557]

我们可以看到,这两个成分总共解释了数据中94%的方差量。这意味着我们可以非常准确地捕捉数据的特征。

有一件事需要注意,PCA会将所有特征从原始数据中都删除。因此,如果我们需要保留某些特征,我们需要在应用PCA之前手动删除它们。

这就是如何使用Python中的sklearn库实现PCA的实例。PCA可应用于所有类型的数据,帮助我们从高维度数据中发现最重要的成分。如果您可以理解本文中的代码,你也就会有能力在您自己的数据集上应用PCA了。

以上就是Python中的主成分分析实例的详细内容,更多请关注php中文网其它相关文章!

智能AI问答
PHP中文网智能助手能迅速回答你的编程问题,提供实时的代码和解决方案,帮助你解决各种难题。不仅如此,它还能提供编程资源和学习指导,帮助你快速提升编程技能。无论你是初学者还是专业人士,AI智能助手都能成为你的可靠助手,助力你在编程领域取得更大的成就。
来源:php中文网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习
PHP中文网抖音号
发现有趣的

Copyright 2014-2024 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号