sklearn PCA降维

特征表示

训练集 n x 64， n表示样本个数，64表示特征个数

使用PCA将64维特征降维2维：

代码实现

from sklearn.decomposition import PCA
from matplotlib import pyplot as plt
import pandas as pd
import numpy as np
digits_train = pd.read_csv('http://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/optdigits.tra', header=None)
digits_tes = pd.read_csv('http://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/optdigits.tes', header=None)
x_digits = digits_train[np.arange(64)]
y_digits = digits_train[64]

estimator = PCA(n_components=2)
x_pca = estimator.fit_transform(x_digits)


def plot_pca_scatter():
    colors = ['black', 'blue', 'purple', 'yellow', 'white', 'red', 'lime', 'cyan', 'orange', 'gray']
    for i in range(len(colors)):
        px = x_pca[:,0][y_digits.as_matrix() == i]
        py = x_pca[:,1][y_digits.as_matrix() == i]
        plt.scatter(px, py, c=colors[i])
        plt.legend(np.arange(0, 10).astype(str))
        plt.xlabel('First Principal Component')
        plt.ylabel('Second Principal Component')
        plt.show()

plot_pca_scatter()
pass

---

Python机器学习及实践 清华大学出版社