pca主成分分析python实际例子

PCA（Principal Component Analysis，主成分分析）是一种常用的维度ality reduction技术，在Python中可以使用sklearn库来进行操作。一个简单的例子是在处理图像数据集，如手写数字识别任务中，原始数据通常包含很多不必要的特征，如像素值的细微变化。通过PCA，我们可以找到数据的主要方向（即主成分），这些方向包含了最多的信息。

下面是一个使用sklearn进行PCA的基本步骤：

from sklearn.decomposition import PCA
import numpy as np
import matplotlib.pyplot as plt

# 假设我们有一个二维的数据集，例如iris数据集的一部分
data = iris.data[:, :2]  # 取前两个特征作为示例
print("Original data shape:", data.shape)

# 创建PCA对象并设置降维到2维
pca = PCA(n_components=2)
principal_components = pca.fit_transform(data)

# 新的数据形状应该只有两列，因为我们将维度降到了2
new_data_shape = principal_components.shape
print("Reduced data shape:", new_data_shape)

# 可视化原始数据和主成分
plt.scatter(principal_components[:, 0], principal_components[:, 1], c=iris.target)
plt.xlabel('First Principal Component')
plt.ylabel('Second Principal Component')
plt.title('PCA Visualization')
plt.show()