python做pca分析,pca降维后生成新的特征

　　转载：Python实现主成分分析(PCA)的降维：原理及实例分析

　　引言降维是由一些问题引起的：

　　可以缓解维度(高维)诅咒带来的问题；可用于压缩数据，最大限度地减少数据丢失；可以将高维数据降维为低维数据进行可视化。主成分分析是最重要的降维方法之一。一般来说，PCA是最容易想到的降维算法。我们来总结一下PCA的原理。PCA的Scikit-learn实现scikit-learn集成了PCA方法，调用起来更方便。应该注意的是，在scikit-learn中使用奇异值分解来计算特征向量和特征值。PCA的调用方法很简单，这里列出了所有的代码。

　　import numpy as NP import matplotlib . py plot as PLT from sk learn . decomposition import PCA from sk learn . datasets . samples _ generator import make _ blobsX，y=make_blobs(n_samples=10000，n_features=3，centers=[[3，3，3]，[0，0，0]，[1，1，1]，[2，2，2]]，cluster_std=[0.2，0.1，0.2，0.2]，Random_state=9)#Fit (x) #输出特征值print(pca.explained_variance_)输出特征向量print(pca.components_)#约简数据x _ new=PCA . transform(x)print(x _ new)fig=PLT . figure()PLT . scatter(x _ new [:0]，x _ new[:1]，marker= o) plt.show()。

　　结果如下：

　　#特征值[3.78521638 0.03272613]#特征向量[[0.57601622 0.57846191 0.57757002][-0.32920617-0.48256882 0.8163454]]#降维后的结果[[1[-2.590227-0.04141849][2.88.[2.52492314-0.0935418] [2.248478484

　　pca=PCA(n_components=0.95)

　　当n_components=0.95时，指定那些主分量相加至少为95%的分量。

　　pca=PCA(n_components=mle )

　　当n_components=MLE 表示让MLE算法自己选择降维的效果。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。