python主成分分析_Python的主成分分析PCA算法
这篇文章很不错:https://blog.csdn.net/u013082989/article/details/53792010
为什么数据处理之前要进行归一化???(这个一直不明白)
这个也很不错:https://blog.csdn.net/u013082989/article/details/53792010#commentsedit
下面是复现一个例子:
# -*- coding: utf-8 -*-
#来源:https://blog.csdn.net/u013082989/article/details/53792010
#来源:https://blog.csdn.net/hustqb/article/details/78394058 (这里有个例子)关于降维之后的坐标系问题,???结合里面的例子
#用库函数实现的过程:
#导入需要的包:
import numpy as np
from matplotlib import pyplot as plt
from scipy import io as spio
from sklearn.decomposition import pca
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
#归一化数据,并作图
def scaler(X):
"""
注:这里的归一化是按照列进行的。也就是把每个特征都标准化,就是去除了单位的影响。
"""
scaler=StandardScaler()
scaler.fit(X)
x_train=scaler.transform(X)
return x_train
#使用pca模型拟合数据并降维n_components对应要降的维度
def jiangwei_pca(x_train,K): #传入的是X的矩阵和主成分的个数K
model=pca.PCA(n_components=K).fit(x_train)
Z=model.transform(x_train) #transform就会执行降维操作
#数据恢复,model.components_会得到降维使用的U矩阵
Ureduce=model.components_
x_rec=np.dot(Z,Ureduce) #数据恢复
return Z,x_rec #这里Z是将为之后的数据,x_rec是恢复之后的数据。
if __name__ == '__main__':
X=np.array([[1,1],[1,3],[2,3],[4,4],[2,4]])
x_train=scaler(X)
print('x_train:',x_train)
Z,x_rec=jiangwei_pca(x_train,2)
print("Z:",Z)
print("x_rec:",x_rec) #如果有时候,这里不能够重新恢复x_train,一个原因可能是主成分太少。
print("x_train:",x_train)
## 这里的主成分为什么不是原来的两个。
## 还有一个问题是,如何用图像表现出来。
## 还有一个问题就是如何得到系数,这个系数是每个特征在主成分中的贡献,要做这个就需要看矩阵,弄明白原理:
或许和这个程序有关:pca.explained_variance_ratio_
摘自:https://blog.csdn.net/qq_36523839/article/details/82558636
这里提一点:pca的方法explained_variance_ratio_计算了每个特征方差贡献率,所有总和为1,explained_variance_为方差值,通过合理使用这两个参数可以画出方差贡献率图或者方差值图,便于观察PCA降维最佳值。
在提醒一点:pca中的参数选项可以对数据做SVD与归一化处理很方便,但是需要先考虑是否需要这样做。
关于pca的一个推导例子:
、、
根据最后的图形显示来看,一共有五个样本点。而从下面的矩阵看,似乎不是这样???
有点纠结。
从对矩阵X的求均值过程可以知道,是对行求均值的。然后每行减掉均值。
(这样的话,也就是说:每一行是一个特征???,就不太明白了。)
应该写成这样比较清楚:(每一列是一个特性)
[
[1,1]
[1,3]
[2,3]
[4,4]
[2,4]
]
、、
从下面看出这里除的是5,也就是说5是m,也就是行数。???
、、
最后降维到一个特征::
下面图片中P的部分,是两个数,也就是两个特征的系数。代表着特征的系数。。。
关键是用的别人的库,但是怎么弄???
、、
上面
#、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、
下面我们来分析另一个例子:这个例子是官方给出的:
程序如下:
# -*- coding: utf-8 -*-
"""
测试
这里是Python的pca主成分分析的一个测试程序
"""
import numpy as np
from sklearn.decomposition import PCA
X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
pca = PCA(n_components='mle') #这里是让机器决定主成分的个数,我们也可以自行设置。
pca = PCA(n_components=2) #这里设置主成分为,这里不能设置成3,因为这里的特征本身只有两个。
pca.fit(X)
print("这里是X:")
print(X)
Z=pca.transform(X) #transform就会执行降维操作
print('这里是Z:')
print(Z)
#Z = np.dot(X, self.components_.T)
# PCA(copy=True, n_components=2, whiten=False)
print(pca.explained_variance_ratio_)
然后运行程序输出的结果:
这里是X:
[[-1 -1]
[-2 -1]
[-3 -2]
[ 1 1]
[ 2 1]
[ 3 2]]
可能是系数的东西: 这里有可能是没个主成分中包含各个特征的权重系数。
你有没有感觉到这个矩阵有一定的特性,有点对角线对称的样子。
[[-0.83849224 0.54491354]
[-0.54491354 -0.83849224]]
这里是Z: 这里的Z实际上主成分的意思。主成分也就是综合特征
[[ 1.38340578 0.2935787 ]
[ 2.22189802 -0.25133484]
[ 3.6053038 0.04224385]
[-1.38340578 -0.2935787 ]
[-2.22189802 0.25133484]
[-3.6053038 -0.04224385]]
[0.99244289 0.00755711]
要捋清一个问题,我们想要得到的是什么?
我们想要得到的是每个主成分前面包含特征的系数。
主成分1=权重11*特征1+权重12*特征2+权重13*特征3···
主成分2=权重21*特征1+权重22*特征2+权重23*特征3···
[[-0.83849224 0.54491354]
[-0.54491354 -0.83849224]]
主成分1=(-0.83849224) *特征1+(-0.54491354)*特征2···
主成分2=(0.54491354) *特征1+(-0.83849224)*特征2···
就是上面这种系数,
我还是有一点疑问?为什么?这个系数矩阵是对称的,这样有点不是很科学??
python主成分分析_Python的主成分分析PCA算法相关推荐
- python中pca算法_使用python的numpy库实现PCA算法
#!/usr/bin/env python # -*- coding: utf-8 -*- from numpy import * #参数1:特征值向量, #参数2:比率 #返回值:k(符合指定比率的 ...
- 莫烦python教程_python实现各种最优化算法
python视频教程栏目介绍各种最优化算法 二分法 函数详见rres,此代码使该算法运行了两次def asdf(x): rres=8*x**3-2*x**2-7*x+3 return rres i=2 ...
- knn的python代码_Python代码实现KNN算法
kNN算法是k-近邻算法的简称,主要用来进行分类实践,主要思路如下: 1.存在一个训练数据集,每个数据都有对应的标签,也就是说,我们知道样本集中每一数据和他对应的类别. 2.当输入一个新数据进行类别或 ...
- 二分查找算法python实现_Python实现-二分查找算法(3种方法)
如果有这样一个列表,让你从这个列表中找到66的位置,你要怎么做? lst = [2, 3, 5, 10, 15, 16, 18, 22, 26, 30, 32, 35, 41, 42, 43, 55, ...
- 达内python人工智能_Python工程师?人工智能算法工程师?二者有什么区别?
Python程序虽然火热,虽然有人说学会Python进军人工智能,但是Python不等于人工智能,Python工程师与人工智能算法工程师也有着本质的区别,来看看吧: Python工程师与人工智能算法工 ...
- 支持向量机python代码_Python机器学习SVM支持向量机算法理论 | kTWO-个人博客
PS:这篇文章讲的是SVM的算法的基础理论知识,因为博主也是刚学习没多久,对SVM的数学思想了解的不是很深,所以这篇文章就简单介绍一下什么是SVM以及SVM是怎么工作的. 1.什么是支持向量机(SVM ...
- pca降维python实例_Python机器学习笔记:使用scikit-learn工具进行PCA降维
之前总结过关于PCA的知识:深入学习主成分分析(PCA)算法原理.这里打算再写一篇笔记,总结一下如何使用scikit-learn工具来进行PCA降维. 在数据处理中,经常会遇到特征维度比样本数量多得多 ...
- 用通俗易懂的方式讲解:主成分分析(PCA)算法及案例(Python 代码)
文章目录 知识汇总 加入方式 一.引入问题 二.数据降维 三.PCA基本数学原理 3.1 内积与投影 3.2 基 3.3 基变换的矩阵表示 3.4 协方差矩阵及优化目标 3.5 方差 3.6 协方差 ...
- 图解主成分分析PCA算法(附Python实现)
0 写在前面 机器学习强基计划聚焦深度和广度,加深对机器学习模型的理解与应用."深"在详细推导算法模型背后的数学原理:"广"在分析多个机器学习模型:决策树.支持 ...
- 用Python的sklearn库进行PCA(主成分分析)
在python的sklearn的库里面集成很多机器学习算法的库,其中也包括主成分分析的方法. 1.PCA算法的原理: PCA主要是用来数据降维,将高纬度的特征映射到低维度的特征,加快机器学习的速度.比 ...
最新文章
- LeetCode 三天打渔两天晒网 剩下一天睡大觉
- linux bootloader启动流程,技术|Linux 的启动流程详解
- mapgis矢量化怎么打分数_mapgis矢量化错了如何后退一步
- HTML背景图片的设置
- cdr添加节点快捷键_CorelDRAW常用热键|cdr快捷键大全
- java 企业付款到零钱 微信提现功能讲解
- 妇产科护理学复习重点
- 2020-11-10大众点评字体反爬抓取信息
- 故障恢复控制台主要命令
- linux dns主配置文件,RHEL 5下DNS的主配置文件详解
- Mac软件下载站推荐,让你告别软件荒!
- ART-PI调试记录----重力感应无线智能小车第二弹之OneNet+板载wifi控制电机转动
- 用户权限控制(Token登录)
- DBSCAN原理及matlab仿真代码
- <A Tale of Evil Twins: Adversarial Inputs versus Poisoned Models>阅读笔记
- 深度学习介绍-深度学习是什么
- 基于多智能体模型的街道步行空间量化研究
- 预测大盘最准确的指标_通达信预测大盘利器指标公式
- UltraISO 制作U盘镜像步骤
- 解决:Cannot connect to the Docker daemon at unix:///var/run/docker.sock. Is the docker daemon running?
热门文章
- 复合索引的底层数据结构——最左原则
- iphone6s读写速度测试软件,iPhone6S/7/8运行iOS13速度测试:结果有点失望
- 同城大数据| 有人坐享繁华,有人蜗居窘促,帝都学子们的差距有多大?
- “扣哒杯” AI世青赛公布2021-2022年度全国决赛个人获奖名单
- Python基础学习之正则表达式(完整版)
- android 创建前台服务,Android前台服务保活
- 音乐flac怎么转为mp3?
- 2019年长安杯 第一届电子数据取证竞赛 wp
- Router路由守卫
- ERP实用技巧:物料清单编制------(转)