mnist数据集二值化后的特征向量提取代码

这里提供一个Python代码示例，用于将MNIST数据集二值化并提取特征向量：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_openml
from sklearn.preprocessing import binarize
from sklearn.decomposition import PCA

# 加载MNIST数据集
mnist = fetch_openml('mnist_784')

# 将特征矩阵二值化
X_binarized = binarize(mnist.data.astype(np.float32), threshold=0.5)

# 对二值化后的数据进行主成分分析(PCA)降维
pca = PCA(n_components=50)
X_pca = pca.fit_transform(X_binarized)

# 可视化二值化后的第一张图片
plt.imshow(X_binarized[0].reshape(28, 28), cmap='gray')
plt.show()

# 打印降维后的特征向量形状
print("PCA降维后的特征向量形状：", X_pca.shape)

这个代码示例使用了`sklearn`库中的`fetch_openml()`函数加载MNIST数据集，然后使用`binarize()`函数将特征矩阵二值化。接下来，使用`PCA()`函数进行主成分分析，将数据降维至50维。最后，打印出降维后的特征向量形状。