【机器学习实战】10分钟学会Python怎么用PCA主成分分析进行降维分类(七)

简介: 【机器学习实战】10分钟学会Python怎么用PCA主成分分析进行降维分类(七)

[toc]

1 前言

1.1 主成分分析的介绍

主成分分析(Principal Component Analysis,PCA)是一种常用的数据降维技术,通过线性变换将高维数据映射到低维空间中。其原理是寻找最能代表原始数据的几个主成分,并保留大部分的数据方差。

PCA的目的是通过线性变换将原始数据转化为一组新的变量,这些新变量是原始变量的线性组合,且互相独立。这些新变量称为主成分,第一个主成分方差最大,第二个主成分方差次大,以此类推。通过PCA,我们可以将高维数据转化为低维数据,从而实现数据的降维处理。

优点:

  • 数据降维:PCA可以将高维数据转化为低维数据,从而减少了数据的维度,使得数据更容易分析和处理。
  • 特征提取:PCA可以提取出数据的主要特征,抛弃噪声和冗余信息,从而提高了数据的准确性。
  • 数据可视化:PCA可以将高维数据映射到低维空间,从而使得数据可以被可视化。
  • 计算简单:PCA的计算简单,可以应用于大规模数据处理。

缺点:

  • 可能信息损失:PCA通过抛弃一部分信息实现降维,可能会损失一些重要信息。
  • 主成分解释难度:PCA得到的主成分是原始变量的线性组合,其含义不一定很明确,可能需要更深入的领域知识才能解释。
  • 敏感度:PCA对数据的分布比较敏感,当数据的分布不是正态分布时,可能会得到不理想的结果。
  • 计算复杂度:在处理大规模数据时,PCA的计算复杂度可能会很高。

1.2 主成分分析的应用

  1. 金融分析:PCA被广泛应用于股票组合优化、风险管理等方面。通过PCA分析股票之间的相关性,可以得到一些具有代表性的因子,从而构建有效的股票组合。
  2. 图像处理:在图像处理领域,PCA可以应用于人脸识别、图像压缩等方面。通过PCA分析图像数据的主成分,可以得到图像的主要特征,从而实现图像压缩和特征提取等功能。
  3. 生物信息学:在生物信息学领域,PCA可以应用于基因表达分析、蛋白质结构分析等方面。通过PCA分析基因表达数据的主成分,可以发现基因表达的规律和特征,从而进一步研究基因的功能和调控机制。
  4. 信号处理:在信号处理领域,PCA可以应用于语音信号处理、图像噪声处理等方面。通过PCA分析信号数据的主成分,可以减少信号中的噪声和冗余信息,从而提高信号的质量和准确性。
  5. 模式识别:在模式识别领域,PCA可以应用于手写数字识别、语音识别等方面。通过PCA分析数据的主成分,可以提取数据的主要特征,从而实现数据分类和识别等功能。

2  Mushroom分类数据演示

2.1 导入函数

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.decomposition import PCA
from sklearn.model_selection import train_test_split
import warnings
warnings.filterwarnings("ignore")

2.2 导入数据

下载数据网址:https://www.kaggle.com/datasets/uciml/mushroom-classification?resource=download&select=mushrooms.csv,直接download即可

m_data = pd.read_csv('mushrooms.csv')
# 转换ints
encoder = LabelEncoder()
# 应用到所有列
for col in m_data.columns:
    m_data[col] = encoder.fit_transform(m_data[col])
X_features = m_data.iloc[:,1:23]
y_label = m_data.iloc[:, 0]

(可选)缩放数据:

scaler = StandardScaler()
X_features = scaler.fit_transform(X_features)

2.3 PCA可视化

pca = PCA()
pca.fit_transform(X_features)
pca_variance = pca.explained_variance_
plt.figure(figsize=(8, 6))
plt.bar(range(22), pca_variance, alpha=0.5, align='center', label='individual variance')
plt.legend()
plt.ylabel('Variance ratio')
plt.xlabel('Principal components')
plt.show()

挑选特征性最强的或者方差最大的,依图可见大概是17或18个特征可解释涵盖大部分,几乎95%

2.4 PCA散点图

pca2 = PCA(n_components=18)
pca2.fit(X_features)
x_3d = pca2.transform(X_features)
plt.figure(figsize=(8,6))
plt.scatter(x_3d[:,0], x_3d[:,5], c=m_data['class'])
plt.show()

这里根据前18个特征绘制散点图

2.5 PCA散点图

pca3 = PCA(n_components=2)
pca3.fit(X_features)
x_3d = pca3.transform(X_features)
plt.figure(figsize=(8,6))
plt.scatter(x_3d[:,0], x_3d[:,1], c=m_data['class'])
plt.show()

这里是根据前2个特征绘制散点图,可以发现中间部分并没有区分清晰,且右下角聚集的有点奇怪?降维结果显不如依18个特征进行降维的好。

3 讨论

作为一种常用的数据降维技术,主成分分析(PCA)具有很多优点,如降低维数、减少噪声、提高计算效率等。通过PCA分析数据的主要特征,可以实现数据的压缩和特征提取,从而简化数据处理流程和提高计算效率。然而,PCA也有其局限性,如对数据分布假设过于严格、对非线性关系的无法处理等。在实际应用中,需要根据具体问题选择合适的PCA方法和参数,以达到最佳效果。

目录
相关文章
|
1天前
|
设计模式 前端开发 数据库
Python Web开发:Django框架下的全栈开发实战
【10月更文挑战第27天】本文介绍了Django框架在Python Web开发中的应用,涵盖了Django与Flask等框架的比较、项目结构、模型、视图、模板和URL配置等内容,并展示了实际代码示例,帮助读者快速掌握Django全栈开发的核心技术。
59 44
|
1天前
|
数据采集 存储 JSON
Python网络爬虫:Scrapy框架的实战应用与技巧分享
【10月更文挑战第27天】本文介绍了Python网络爬虫Scrapy框架的实战应用与技巧。首先讲解了如何创建Scrapy项目、定义爬虫、处理JSON响应、设置User-Agent和代理,以及存储爬取的数据。通过具体示例,帮助读者掌握Scrapy的核心功能和使用方法,提升数据采集效率。
14 6
|
1天前
|
存储 数据处理 Python
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第27天】在科学计算和数据分析领域,Python凭借简洁的语法和强大的库支持广受欢迎。NumPy和SciPy作为Python科学计算的两大基石,提供了高效的数据处理和分析工具。NumPy的核心功能是N维数组对象(ndarray),支持高效的大型数据集操作;SciPy则在此基础上提供了线性代数、信号处理、优化和统计分析等多种科学计算工具。结合使用NumPy和SciPy,可以显著提升数据处理和分析的效率,使Python成为科学计算和数据分析的首选语言。
7 3
|
2天前
|
数据采集 前端开发 中间件
Python网络爬虫:Scrapy框架的实战应用与技巧分享
【10月更文挑战第26天】Python是一种强大的编程语言,在数据抓取和网络爬虫领域应用广泛。Scrapy作为高效灵活的爬虫框架,为开发者提供了强大的工具集。本文通过实战案例,详细解析Scrapy框架的应用与技巧,并附上示例代码。文章介绍了Scrapy的基本概念、创建项目、编写简单爬虫、高级特性和技巧等内容。
13 4
|
2天前
|
安全 数据库 开发者
Python Web开发:Django框架下的全栈开发实战
【10月更文挑战第26天】本文详细介绍了如何在Django框架下进行全栈开发,包括环境安装与配置、创建项目和应用、定义模型类、运行数据库迁移、创建视图和URL映射、编写模板以及启动开发服务器等步骤,并通过示例代码展示了具体实现过程。
15 2
|
1天前
|
网络协议 调度 开发者
Python网络编程:Twisted框架的异步IO处理与实战
【10月更文挑战第27天】本文介绍了Python网络编程中的Twisted框架,重点讲解了其异步IO处理机制。通过反应器模式,Twisted能够在单线程中高效处理多个网络连接。文章提供了两个实战示例:一个简单的Echo服务器和一个HTTP服务器,展示了Twisted的强大功能和灵活性。
5 0
|
23天前
|
机器学习/深度学习 人工智能 自然语言处理
【MM2024】阿里云 PAI 团队图像编辑算法论文入选 MM2024
阿里云人工智能平台 PAI 团队发表的图像编辑算法论文在 MM2024 上正式亮相发表。ACM MM(ACM国际多媒体会议)是国际多媒体领域的顶级会议,旨在为研究人员、工程师和行业专家提供一个交流平台,以展示在多媒体领域的最新研究成果、技术进展和应用案例。其主题涵盖了图像处理、视频分析、音频处理、社交媒体和多媒体系统等广泛领域。此次入选标志着阿里云人工智能平台 PAI 在图像编辑算法方面的研究获得了学术界的充分认可。
【MM2024】阿里云 PAI 团队图像编辑算法论文入选 MM2024
|
11天前
|
机器学习/深度学习 算法 Java
机器学习、基础算法、python常见面试题必知必答系列大全:(面试问题持续更新)
机器学习、基础算法、python常见面试题必知必答系列大全:(面试问题持续更新)
|
19天前
|
机器学习/深度学习 人工智能 算法
【玉米病害识别】Python+卷积神经网络算法+人工智能+深度学习+计算机课设项目+TensorFlow+模型训练
玉米病害识别系统,本系统使用Python作为主要开发语言,通过收集了8种常见的玉米叶部病害图片数据集('矮花叶病', '健康', '灰斑病一般', '灰斑病严重', '锈病一般', '锈病严重', '叶斑病一般', '叶斑病严重'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。再使用Django搭建Web网页操作平台,实现用户上传一张玉米病害图片识别其名称。
43 0
【玉米病害识别】Python+卷积神经网络算法+人工智能+深度学习+计算机课设项目+TensorFlow+模型训练
|
27天前
|
机器学习/深度学习 算法 决策智能
【机器学习】揭秘深度学习优化算法:加速训练与提升性能
【机器学习】揭秘深度学习优化算法:加速训练与提升性能