建站
咨詢
售后
建站咨詢
新聞中心
from sklearn.decomposition import PCA
PCA
創(chuàng)新互聯(lián)的客戶來自各行各業(yè)，為了共同目標(biāo)，我們在工作上密切配合，從創(chuàng)業(yè)型小企業(yè)到企事業(yè)單位，感謝他們對我們的要求，感謝他們從不同領(lǐng)域給我們帶來的挑戰(zhàn)，讓我們激情的團(tuán)隊有機(jī)會用頭腦與智慧不斷的給客戶帶來驚喜。專業(yè)領(lǐng)域包括成都做網(wǎng)站、網(wǎng)站設(shè)計、外貿(mào)營銷網(wǎng)站建設(shè)、電商網(wǎng)站開發(fā)、微信營銷、系統(tǒng)平臺開發(fā)。
主成分分析（Principal Components Analysis），簡稱PCA，是一種數(shù)據(jù)降維技術(shù)，用于數(shù)據(jù)預(yù)處理。
PCA的一般步驟是：先對原始數(shù)據(jù)零均值化，然后求協(xié)方差矩陣，接著對協(xié)方差矩陣求特征向量和特征值，這些特征向量組成了新的特征空間。
sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False) 參數(shù)： n_components： 意義：PCA算法中所要保留的主成分個數(shù)n，也即保留下來的特征個數(shù)n 類型：int 或者 string，缺省時默認(rèn)為None，所有成分被保留。 賦值為int，比如n_components=1，將把原始數(shù)據(jù)降到一個維度。 賦值為string，比如n_components='mle'，將自動選取特征個數(shù)n，使得滿足所要求的方差百分比。 copy： 類型：bool，True或者False，缺省時默認(rèn)為True。 意義：表示是否在運行算法時，將原始訓(xùn)練數(shù)據(jù)復(fù)制一份。若為True，則運行PCA算法后，原始訓(xùn)練數(shù)據(jù)的值不會有任何改變， 因為是在原始數(shù)據(jù)的副本上進(jìn)行運算；若為False，則運行PCA算法后，原始訓(xùn)練數(shù)據(jù)的值會改，因為是在原始數(shù)據(jù)上進(jìn)行降維計算。 whiten： 類型：bool，缺省時默認(rèn)為False。 意義：白化，使得每個特征具有相同的方差。
PCA屬性：
components_ ：返回具有方差的成分。
explained_variance_ratio_：返回 所保留的n個成分各自的方差百分比。
n_components_：返回所保留的成分個數(shù)n。
mean_：
noise_variance_：
PCA方法：
1、fit(X,y=None)
fit(X)，表示用數(shù)據(jù)X來訓(xùn)練PCA模型。
函數(shù)返回值：調(diào)用fit方法的對象本身。比如pca.fit(X)，表示用X對pca這個對象進(jìn)行訓(xùn)練。
拓展：fit()可以說是scikit-learn中通用的方法，每個需要訓(xùn)練的算法都會有fit()方法，它其實就是算法中的“訓(xùn)練”這一步驟。因為PCA是無監(jiān)督學(xué)習(xí)算法，此處y自然等于None。
2、fit_transform(X)
用X來訓(xùn)練PCA模型，同時返回降維后的數(shù)據(jù)。
newX=pca.fit_transform(X)，newX就是降維后的數(shù)據(jù)。
3、inverse_transform(X)
將降維后的數(shù)據(jù)轉(zhuǎn)換成原始數(shù)據(jù)，X=pca.inverse_transform(newX)
4、transform(X)
將數(shù)據(jù)X轉(zhuǎn)換成降維后的數(shù)據(jù)。當(dāng)模型訓(xùn)練好后，對于新輸入的數(shù)據(jù)，都可以用transform方法來降維。
此外，還有g(shù)et_covariance()、get_precision()、get_params(deep=True)、score(X, y=None)等方法，以后用到再補(bǔ)充吧。
實例：
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=2) newX = pca.fit_transform(X) #等價于pca.fit(X) pca.transform(X) invX = pca.inverse_transform(X) #將降維后的數(shù)據(jù)轉(zhuǎn)換成原始數(shù)據(jù) print(X) [[-1 -1] [-2 -1] [-3 -2] [ 1 1] [ 2 1] [ 3 2]] print(newX） array([[ 1.38340578, 0.2935787], [ 2.22189802, -0.25133484], [ 3.6053038 , 0.04224385], [-1.38340578, -0.2935787], [-2.22189802, 0.25133484], [-3.6053038 , -0.04224385]]) print(invX) [[-1 -1] [-2 -1] [-3 -2] [ 1 1] [ 2 1] [ 3 2]] print(pca.explained_variance_ratio_) [ 0.99244289 0.00755711]
我們所訓(xùn)練的pca對象的n_components值為2，即保留2個特征，第一個特征占所有特征的方差百分比為0.99244289，意味著幾乎保留了所有的信息。即第一個特征可以99.24%表達(dá)整個數(shù)據(jù)集，因此我們可以降到1維：
pca = PCA(n_components=1) newX = pca.fit_transform(X) print(pca.explained_variance_ratio_) [ 0.99244289]
眾多python培訓(xùn)視頻，盡在python學(xué)習(xí)網(wǎng)，歡迎在線學(xué)習(xí)！
標(biāo)題名稱：創(chuàng)新互聯(lián)Python教程：pythonpca怎么用
新聞來源：http://www.dlmjj.cn/article/dhjchgh.html
