特征降维之主成分分析

特征降维之主成分分析

• 什么是主成分分析(PCA)
• API

什么是主成分分析(PCA)

• 定义：
  • 高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量
• 作用：
  • 是数据维数压缩，尽可能降低原数据的维数(复杂度)，损失少量信息。
• 应用：
  • 回归分析或者聚类分析当中

API

• sklearn.decomposition.PCA(n_components=None)
  • 将数据分解为较低维数空间
  • n_components:
    • 小数：表示保留百分之多少的信息
    • 整数：减少到多少特征
  • PCA.fit_transform(X) X:numpy array格式的数据[n_samples,n_features]
  • 返回值：转换后指定维度的array

from sklearn.decomposition import PCA

def pca(data):
    # 示例化一个转化器类
    transfer = PCA(n_components=2)
    # 调用 transfer.fit_transform
    data_final = transfer.fit_transform(data)
    print('返回结果为：', data_final)
    # 输出特征名字
    # print('特征名字为：', transfer.get_feature_names())


if __name__ == '__main__':
    data = [
        [2, 8, 4, 5],
        [6, 3, 0, 8],
        [5, 4, 9, 1]
    ]
    pca(data)
    
    '''
    返回结果为： [[ 1.28620952e-15  3.82970843e+00]
     [ 5.74456265e+00 -1.91485422e+00]
     [-5.74456265e+00 -1.91485422e+00]]
    '''