之前本人寫過一篇用python實現主成分降維的文章,現在想想感覺方法很麻煩,因為python的pca模組可以很容易的完成資料降維。下面附上**
# 主成分分析
# coding=utf-8
import pandas as pd
# import numpy as np
from sklearn.decomposition import pca
# from sklearn.preprocessing import standardscaler
data = pd.read_excel("data.xls") # 資料的讀入
data1 = data.iloc[:, 3:6]
# 主成分分析進行中
pca1 = pca()
pca1.fit(data1)
# 返回模型中的各個特徵量
characteristic = pca1.components_
print(characteristic)
# 返回各個成分中各自方差百分比,貢獻率
rate = pca1.explained_variance_ratio_
print(rate)
pca2 = pca(2)
pca2.fit(data1)
reduction = pca2.transform(data1) # 降維
reduction_rate = pca2.explained_variance_ratio_ # 降維後各個成分的方差百分比，貢獻率
reduction_characteristic = pca2.components_ # 降維後的特徵向量
print(reduction_rate)
print(reduction_characteristic)
# 將降維後的資料轉換成原始資料
recovery = pca2.inverse_transform(reduction)
print(recovery)
主成分分析 降維
import pandas as pd 引數初始化 inputfile data principal component.xls outputfile tmp dimention reducted.xls 降維後的資料 data pd.read excel inputfile,header none...
PCA主成分分析（降維）
opencv中使用 實現降維分類預處理 參考 降維 我的理解是，通過降維得到基本特徵可以加快學習演算法。並且由於降維後的資料本身就是正交的，和聚類一樣可以實現分類 識別問題。在自我學習中也可以採用大量無標註的影象，對這些影象降維分類，並結合部分編碼資料得到特徵。例如 將很2500張人臉資訊，通過25...
降維 PCA 主成分分析
其實早該整理一下pca了，怎奈一直沒有時間，可能是自己對時間沒有把握好吧，下面進入正題。所謂降維，就是降低資料的維數。在機器學習中尤其常見，之前做過對一幅提取小波特徵，對於一幅大小為800 600的，如果每個點提取五個尺度 八個方向的特徵，那麼每乙個畫素點提取40個特徵，那麼一副的話就是40 800...