主成分分析法python代码
时间: 2023-05-08 19:00:04 浏览: 164
主成分分析(PCA)是一种常见的无监督学习方法,用于降维和数据可视化。Python具有许多实现PCA的库,主要包括Scikit-learn,NumPy和SciPy。
假设我们有一组有标签数据,每个标签都表示特征向量的类别。在运行PCA之前,首先需要对数据进行预处理,以使其具有零均值和单位方差。这可以通过将每个特征向量减去其均值并除以标准差来完成。
接下来,我们可以使用Scikit-learn库中的PCA类来实现PCA。PCA的主要实现基于奇异值分解(SVD),并返回降维后的特征向量和用于还原数据的投影矩阵。以下是一个示例:
```
from sklearn.decomposition import PCA
import numpy as np
# 生成n个随机特征向量
n = 100
X = np.random.rand(n, 10)
# 使用PCA类对X进行降维
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
# 输出降维后的特征向量
print(X_pca)
```
在这个例子中,我们生成了一个包含100个随机特征向量的矩阵X,每个特征向量具有10个值。我们使用PCA类初始化一个实例对象,并设置n_components参数为2,以将数据降到2维。然后,我们使用fit_transform()方法将数据X降维,并将其存储在X_pca变量中。最后,我们输出了降维后的特征向量。
除了Scikit-learn,我们也可以使用NumPy和SciPy库实现PCA。以下是一个使用NumPy的示例:
```
import numpy as np
# 生成n个随机特征向量
n = 100
X = np.random.rand(n, 10)
# 对X进行预处理
X_mean = np.mean(X, axis=0)
X_std = np.std(X, axis=0)
X_scaled = (X - X_mean) / X_std
# 计算X的协方差矩阵
X_cov = np.cov(X_scaled.T)
# 对协方差矩阵进行SVD分解
U, S, V = np.linalg.svd(X_cov)
# 选择前两个主成分
PCs = U[:, :2]
# 将X投影到新的空间中
X_pca = np.dot(X_scaled, PCs)
# 输出降维后的特征向量
print(X_pca)
```
在这个例子中,我们首先对数据X进行了预处理,然后计算了X的协方差矩阵。我们使用NumPy的linalg.svd()函数对协方差矩阵进行SVD分解,并选择前两个主成分。最后,我们将数据X投影到新的空间中,并输出降维后的特征向量。
阅读全文