欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

机器学习算法与Python实践(12) - sklearn中的 PCA 的使用

程序员文章站 2022-06-01 10:15:09
...

机器学习算法与Python实践(12) - sklearn中的 PCA 的使用

1、函数原型及参数说明

from sklearn.decomposition import PCA
pca = PCA(n_components='mle', copy=True, whiten=False)  # n_components可以自行的进行设置,设置为mle表示智能的进行降维
newData = pca.fit_transform(image)

参数说明:

n_components:
意义:PCA算法中所要保留的主成分个数n,也即保留下来的特征个数n
类型:int 或者 string,缺省时默认为None,所有成分被保留。
赋值为int,比如n_components=1,将把原始数据降到一个维度。
赋值为string,比如n_components=’mle’,将自动选取特征个数n,使得满足所要求的方差百分比。

copy:
类型:bool,True或者False,缺省时默认为True。
意义:表示是否在运行算法时,将原始训练数据复制一份。若为True,则运行PCA算法后,原始训练数据的值不 会有任何改变,因为是在原始数据的副本上进行运算;若为False,则运行PCA算法后,原始训练数据的 值会改,因为是在原始数据上进行降维计算。

whiten:
类型:bool,缺省时默认为False

意义:白化,使得每个特征具有相同的方差。关于“白化”,可参考:Ufldl教程

2、PCA对象的属性

components_ : 返回具有最大方差的成分。
explained_variance_ratio_: 返回 所保留的n个成分各自的方差百分比。
n_components_: 返回所保留的成分个数n。
mean_:
noise_variance_:

3、PCA对象的方法

fit(X,y=None)
fit()可以说是scikit-learn中通用的方法,每个需要训练的算法都会有fit()方法,它其实就是算法中的“训练”这一步骤。因为PCA是无监督学习算法,此处y自然等于None。

fit(X),表示用数据X来训练PCA模型。

函数返回值:调用fit方法的对象本身。比如pca.fit(X),表示用X对pca这个对象进行训练。

fit_transform(X)
用X来训练PCA模型,同时返回降维后的数据。
newX=pca.fit_transform(X),newX就是降维后的数据。

inverse_transform()
将降维后的数据转换成原始数据,X=pca.inverse_transform(newX)

transform(X)
将数据X转换成降维后的数据。当模型训练好后,对于新输入的数据,都可以用transform方法来降维。

此外,还有get_covariance()、get_precision()、get_params(deep=True)、score(X, y=None)等方法 …

def pcaSklearn(image):
    from sklearn.decomposition import PCA
    pca = PCA(n_components='mle', copy=True, whiten=False)  # 可以自行的进行设置,设置为mle表示智能的进行降维
    newData = pca.fit_transform(image)
    return newData


if __name__ == "__main__":
    import numpy as np
    data = [

        [2.3, 2.7, 5.6],
        [2.0, 1.6, 4.2],
        [1.0, 1.1, 0.7],
        [1.5, 1.6, 8.7],
        [1.1, 0.9, 5.3],
        [2.5, 2.4, 4.3],
        [0.5, 0.7, 2.6],
        [2.2, 2.9, 3.5],
        [1.9, 2.2, 0.5],
        [3.1, 3., 2.1],
    ]

    data = np.array(data)

    newData = pcaSklearn(image=data)
    print(newData)

运行结果如下:

机器学习算法与Python实践(12) - sklearn中的 PCA 的使用

实现了降维,那么同样也可以设置 n_components=1 这样的话降维的数据的结果如下:

机器学习算法与Python实践(12) - sklearn中的 PCA 的使用

那么pca降维的部分就暂时告一段落了。

另一篇用numpy实现pca的链接如下:

http://blog.csdn.net/m0_37167788/article/details/78963415