机器学习之PCA降维

sklearn.decomposition.PCA
主要参数：
n_components:指定主要成分的个数，即降维后数据的维度
svd_solver:设置特征值分解的方法，默认为'auto',其他可选有‘full’,‘arpack’,‘randomized’。

这里一鸢尾花数据为例，这个数据集是4维的，结构如下：

 使用PCA对其降维2维后结构如下：

 下面是实现的具体代码

import matplotlib.pyplot as plt
#加载matplotlib用于数据的可视化
from sklearn.decomposition import PCA
#加载PCA算法包
from sklearn.datasets import load_iris
#加载鸢尾花数据
data = load_iris()#以字典形式加载数据
y=data.target#使用y表示数据集中的标签
x=data.data#使用x表示数据集的属性数据
pca=PCA(n_components=2)
#加载PCA算法，设置降维后的维度为2
reduced_x=pca.fit_transform(x)
#对原始数据进行降维，保存在reduced_x中
red_x,red_y=[],[]
blue_x,blue_y=[],[]
green_x,green_y=[],[]
#三类数据点
#按照鸢尾花的类别进行降维处理
for i in range(len(reduced_x)):
    if y[i]==0:
        red_x.append(reduced_x[i][0])
        red_y.append(reduced_x[i][1])
    elif y[i]==1:
        blue_x.append(reduced_x[i][0])
        blue_y.append(reduced_x[i][1])
    else:
        green_x.append(reduced_x[i][0])
        green_y.append(reduced_x[i][1])
#对降维后的数据可视化
plt.scatter(red_x,red_y,c='r',marker='x')
plt.scatter(blue_x,blue_y,c='b',marker='D')
plt.scatter(green_x,green_y,c='g',marker='.')
plt.show()

运行后会画出一个散点图