数据降维机器学习55课件讲解.pptxVIP

机器学习徐国清数据降维河南工业职业技术学院

数据降维目的降维就是一种对高维度特征数据预处理方法。是将高维度的数据保留下最重要的一些特征，去除噪声和不重要的特征。减少计算量与存储成本避免维度灾难去除噪声与冗余信息便于数据可视化

数据降维方法PCA通过某种线性投影，将高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大。PCA的主要思想是将n维特征映射到k维上（kn），映射的过程要求每个维度的样本方差最大化，达到尽量使新的k维特征向量之间互不相关的目的，这些数据中拥有方差最大的k个维度被称为主成分。主成分分析简介

数据降维scikit-learn库中的decomposition模块对PCA类进行了如下定义：sklearn中PCA用法介绍Classsklearn.decomposition.PCA(n_components=None,copy=True,whiten=False,svd_solver=auto,tol=0.0,iterated_power=auto,random_state=None)

数据降维属性说明components_特征空间的主轴，表示数据中方差最大的方向。explained_variance_所选择的每个分量所解释的方差量。

等于X的协方差矩阵的n个最大特征值。explained_variance_ratio_所选择的每个组成部分所解释的方差百分比。

如果没有设置n_components，那么将存储所有组件，并且比率的总和等于1.0。singular_values_对应于每个选定分量的奇异值。奇异值等于低维空间中n_component变量的2-范数。mean_每个特征的经验平均数，从训练集估计。n_components_估计的组件数量。

数据降维fit(X[,y])用X拟合模型。fit_transform(X[,y])用X拟合模型，对X进行降维。transform（X）将x转换为降维后的数据

数据降维

数据降维

机器学习徐国清数据降维河南工业职业技术学院