分别进行PCA降维和LDA降维后分类iris数据集

降维

对iris数据集分别进行PCA降维和LDA降维后，再使用logisticRegression、SGDClassifier、Perceptron进行分类

# PCA降维
pca = PCA(n_components=2)
pca.fit(X)
X_PCA = pca.transform(X)

# LDA降维
lda = LinearDiscriminantAnalysis(n_components=2)
lda.fit(X, y)
X_LDA = lda.transform(X)

---

分类

# logisticRegression分类
lr_PCA = LogisticRegression(max_iter=5000, random_state=1)
lr_PCA.fit(X_train_PCA_scaler, y_train_PCA)
y_pred_PCA_lr = lr_PCA.predict(X_test_PCA_scaler)

# LR
lr_LDA = LogisticRegression(max_iter=5000, random_state=1)
lr_LDA.fit(X_train_LDA_scaler, y_train_LDA)
y_pred_LDA_lr = lr_LDA.predict(X_test_LDA_scaler)

# Perceptron
perceptron_PCA = Perceptron(max_iter=500, random_state=1)
perceptron_PCA.fit(X_train_PCA_scaler, y_train_PCA)
y_pred_perceptron_PCA = perceptron_PCA.predict(X_test_PCA_scaler)

perceptron_LDA = Perceptron(max_iter=500, random_state=1)
perceptron_LDA.fit(X_train_LDA_scaler, y_train_LDA)
y_pred_perceptron_LDA = perceptron_LDA.predict(X_test_LDA_scaler)

# SGDClassifier
SGD_LDA = SGDClassifier(max_iter=5000, random_state=1)
SGD_LDA.fit(X_train_LDA_scaler, y_train_LDA)
y_pred_SGD_LDA = SGD_LDA.predict(X_test_LDA_scaler)

SGD_PCA = SGDClassifier(max_iter=5000, random_state=1)
SGD_PCA.fit(X_train_PCA_scaler, y_train_PCA)
y_pred_SGD_PCA = SGD_PCA.predict(X_test_PCA_scaler)

---

结果展示

Perceptron分类器的平均性能更好，由实验结果可以看出Perceptron分类器的准确率最高，但是SGDClassifier分类器不太稳定有时候效果很好，但是有的时候准确率比其他两个都要低，所以整体看Perceptron分类器的性能更好。

当在划分降维后的数据集的train_test_split函数中的shuffle参数改为True，让数据集乱序排列之后，然后在每个分类器定义的时候加入max_iter参数，并设置为5000时，可以明显的提高每个分类器的性能。

这个参数代表了迭代的次数，通过调整这个值每个分类器的准确率提高了很多。