Python特征降維知識點總結
更新時間：2021年08月15日 11:45:17 作者：小妮淺淺
在本篇文章里小編給大家整理了一篇關于Python特征降維知識點總結內容，有需要的朋友們可以學習參考下。
說明
1、PCA是最經典、最實用的降維技術，尤其在輔助圖形識別中表現(xiàn)突出。
2、用來減少數(shù)據(jù)集的維度，同時保持數(shù)據(jù)集中對方差貢獻最大的特征。
保持低階主成分，而忽略高階成分，低階成分往往能保留數(shù)據(jù)的最重要部分。
實例
from sklearn.feature_selection import VarianceThreshold # 特征選擇 VarianceThreshold刪除低方差的特征(刪除差別不大的特征) var = VarianceThreshold(threshold=1.0) # 將方差小于等于1.0的特征刪除。 默認threshold=0.0 data = var.fit_transform([[0, 2, 0, 3], [0, 1, 4, 3], [0, 1, 1, 3]]) print(data) ''' [[0] [4] [1]] '''
內容擴展：
python實現(xiàn)拉普拉斯降維
def laplaEigen(dataMat,k,t):
m,n=shape(dataMat)
W=mat(zeros([m,m]))
D=mat(zeros([m,m]))
for i in range(m):
k_index=knn(dataMat[i,:],dataMat,k)
for j in range(k):
sqDiffVector = dataMat[i,:]-dataMat[k_index[j],:]
sqDiffVector=array(sqDiffVector)**2
sqDistances = sqDiffVector.sum()
W[i,k_index[j]]=math.exp(-sqDistances/t)
D[i,i]+=W[i,k_index[j]]
L=D-W
Dinv=np.linalg.inv(D)
X=np.dot(D.I,L)
lamda,f=np.linalg.eig(X)
return lamda,f
def knn(inX, dataSet, k):
dataSetSize = dataSet.shape[0]
diffMat = tile(inX, (dataSetSize,1)) - dataSet
sqDiffMat = array(diffMat)**2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances**0.5
sortedDistIndicies = distances.argsort()
return sortedDistIndicies[0:k]
dataMat, color = make_swiss_roll(n_samples=2000)
lamda,f=laplaEigen(dataMat,11,5.0)
fm,fn =shape(f)
print 'fm,fn:',fm,fn
lamdaIndicies = argsort(lamda)
first=0
second=0
print lamdaIndicies[0], lamdaIndicies[1]
for i in range(fm):
if lamda[lamdaIndicies[i]].real>1e-5:
print lamda[lamdaIndicies[i]]
first=lamdaIndicies[i]
second=lamdaIndicies[i+1]
break
print first, second
redEigVects = f[:,lamdaIndicies]
fig=plt.figure('origin')
ax1 = fig.add_subplot(111, projection='3d')
ax1.scatter(dataMat[:, 0], dataMat[:, 1], dataMat[:, 2], c=color,cmap=plt.cm.Spectral)
fig=plt.figure('lowdata')
ax2 = fig.add_subplot(111)
ax2.scatter(f[:,first], f[:,second], c=color, cmap=plt.cm.Spectral)
plt.show()
到此這篇關于Python特征降維知識點總結的文章就介紹到這了,更多相關Python特征降維如何理解內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了Python實現(xiàn)基于蒙特卡洛算法過程詳解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-07-07
這篇文章主要介紹了python操作xml文件詳細介紹,著重介紹了獲取XML標簽的屬性和值的方法,需要的朋友可以參考下2014-06-06
pip install -r requirements.txt時遇到報錯自動跳過
本文主要介紹了pip install -r requirements.txt時遇到報錯自動跳過,下面就來介紹了幾種解決方法,具有一定的參考價值,感興趣的可以了解一下2025-03-03
這篇文章主要為大家介紹了支持PyTorch的einops張量操作神器用法示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步早日升職加薪2021-11-11
文章介紹了Celery的基本概念、安裝方法、如何使用Celery進行異步任務處理以及如何設置定時任務,通過Celery,可以在Web應用中處理后臺任務,如發(fā)送郵件、視頻轉碼等,而不阻塞Web請求,文章還提到了啟動Celery worker和beat的命令以及任務和定時任務的執(zhí)行效果2025-01-01
這篇文章主要介紹了Python基于QQ郵箱實現(xiàn)SSL發(fā)送,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-04-04
在python2.7中用numpy.reshape 對圖像進行切割的方法
今天小編就為大家分享一篇在python2.7中用numpy.reshape 對圖像進行切割的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-12-12
今天小編就為大家分享一篇基于python的列表list和集合set操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
這篇文章主要給大家介紹了關于Python控制臺輸出俄羅斯方塊的相關資料,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2021-04-04
Python中的Pandas 提供了許多日期處理功能，使得處理時間序列數(shù)據(jù)變得容易。本文將介紹如何使用 Pandas 生成工作日和節(jié)假日，感興趣的小伙伴可以收藏一下2023-05-05