机器学习笔记 PCA降维PYTHON代码
PCA
原型：class sklearn.decomposition.PCA(n_components=None,copy=True,whiten=False)
参数：
属性：
方法：
注：该方法基于SVD分解，无法解决稀疏项，并无法处理超大规模数据，因为其要求所有数据一次加入内存。
代码实例：
加载包
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets,decomposition
加载数据
def load_data():
‘’’
加载用于降维的数据
:return: 一个元组，依次为训练样本集和样本集的标记
‘’’
iris=datasets.load_iris()# 使用 scikit-learn 自带的 iris 数据集
return iris.data,iris.target
测试PCA函数
def test_PCA(*data):
‘’’
测试 PCA 的用法
:param data: 可变参数。它是一个元组，这里要求其元素依次为：训练样本集、训练样本的标记
:return: None
‘’’
X,y=data
pca=decomposition.PCA(n_components=None) # 使用默认的 n_components
pca.fit(X)
print(‘explained variance ratio : %s’% str(pca.explained_variance_ratio_))
绘制降维后样本：
def plot_PCA(*data):
‘’’
绘制经过 PCA 降维到二维之后的样本点
:param data: 可变参数。它是一个元组，这里要求其元素依次为：训练样本集、训练样本的标记
:return: None
‘’’
X,y=data
pca=decomposition.PCA(n_components=2) # 目标维度为2维
pca.fit(X)
X_r=pca.transform(X) # 原始数据集转换到二维
###### 绘制二维数据 ########
fig=plt.figure()
ax=fig.add_subplot(1,1,1)
colors=((1,0,0),(0,1,0),(0,0,1),(0.5,0.5,0),(0,0.5,0.5),(0.5,0,0.5),
(0.4,0.6,0),(0.6,0.4,0),(0,0.6,0.4),(0.5,0.3,0.2),) # 颜色集合，不同标记的样本染不同的颜色
for label ,color in zip( np.unique(y),colors):
position=y==label
ax.scatter(X_r[position,0],X_r[position,1],label=“target= %d”%label,color=color)
ax.set_xlabel(“X[0]”)
ax.set_ylabel(“Y[0]”)
ax.legend(loc=“best”)
ax.set_title(“PCA”)
plt.show()
打包函数：
if name==‘main’:
X,y=load_data() # 产生用于降维的数据集
test_PCA(X,y) # 调用 test_PCA
plot_PCA(X,y) # 调用 plot_PCA