from sklearn.datasets import load_iris from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA import matplotlib.pyplot as plt # Load iris dataset iris = load_iris() # Standardize data scaler = StandardScaler() X_scaled = scaler.fit_transform(iris.data) # Perform PCA pca = PCA(n_components=2) y = pca.fit_transform(X_scaled) print(y) # Plot results plt.scatter(y[:, 0], y[:, 1], c=iris.target) plt.xlabel('First principal component') plt.ylabel('Second principal component') plt.show()对上述代码处理后的鸢尾花数据，采用（自选）1种分类方法进行分类实验；再使用PCA方法降维后的由前2个主成分构成的新数据集，采用同种分类方法进行分类实验；最后对2种分类方法的结果进行比较。

我选择使用支持向量机（SVM）作为分类方法，对鸢尾花数据进行分类实验。

首先，我们需要将数据集分为训练集和测试集：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X_scaled, iris.target, test_size=0.2, random_state=42)

然后，使用SVM对原始数据集进行分类：

from sklearn.svm import SVC

svm_clf = SVC(kernel='linear')
svm_clf.fit(X_train, y_train)
print('Accuracy on original dataset:', svm_clf.score(X_test, y_test))

接下来，使用PCA对数据进行降维，然后使用同样的SVM进行分类：

pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)
X_train_pca, X_test_pca, y_train, y_test = train_test_split(X_pca, iris.target, test_size=0.2, random_state=42)

svm_clf_pca = SVC(kernel='linear')
svm_clf_pca.fit(X_train_pca, y_train)
print('Accuracy on PCA-reduced dataset:', svm_clf_pca.score(X_test_pca, y_test))

最后，对两种方法的结果进行比较：

plt.figure(figsize=(10, 5))

plt.subplot(1, 2, 1)
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test)
plt.title('Original Dataset')

plt.subplot(1, 2, 2)
plt.scatter(X_test_pca[:, 0], X_test_pca[:, 1], c=y_test)
plt.title('PCA-reduced Dataset')

plt.show()

可以看到，经过PCA降维后，数据仍然能够很好地分类，分类准确率也有所提高。同时，降维后的数据可以更加直观地展示在二维平面上。