降维是在我们处理包含过多特征数据的大型数据集时使用的，提高计算速度，减少模型大小，并以更好的方式将巨大的数据集可视化。这种方法的目的是保留最重要的数据，同时删除大部分的特征数据。
在这个教程中，我们将简要地学习如何用Python中的稀疏和高斯随机投影以及PCA方法来减少数据维度。读完本教程后，你将学会如何通过使用这些方法来降低数据集的维度。本教程包括。
- 准备数据
- 高斯随机投影
- 稀疏随机投影
- PCA投影
- MNIST数据投射
我们将从加载所需的库和函数开始。
准备数据
首先，我们将为本教程生成简单的随机数据。在这里，我们使用具有1000个特征的数据集。为了将维度方法应用于真实数据集，我们还使用Keras API的MNIST手写数字数据库。MNIST是三维数据集，这里我们将把它重塑为二维的。
print(x.shape)
mnist.load_data() print(x_train.shape)
reshape(x_train,) print(x_mnist.shape)
高斯随机投影
高斯随机法将原始输入空间投射到一个随机生成的矩阵上降低维度。我们通过设置分量数字来定义该模型。在这里，我们将把特征数据从1000缩减到200。
grp.fit_transform(x) print(gshape)
根据你的分析和目标数据，你可以设置你的目标成分。
稀疏随机投影
稀疏随机方法使用稀疏随机矩阵投影原始输入空间以减少维度。我们定义模型，设置成分的数量。在这里，我们将把特征数据从1000缩减到200。
srp\_data = srp.fit\_transform(x) print(srp_data.shape)
根据你的分析和目标数据，你可以设置你的目标成分。
PCA投影
我们将使用PCA分解，通过设置成分数来定义模型。在这里，我们将把特征数据从1000缩减到200。
pca.fit_transform(x) print(pca_data.shape)
根据你的分析和目标数据，你可以设置你的目标成分。
MNIST数据的投影
在使用高斯、稀疏随机和PCA方法学习降维后，现在我们可以将这些方法应用于MNIST数据集。为测试目的，我们将设置2个成分并应用投影。
#对2个成分的稀疏随机投影 srp.fit\_transform(x\_mnist) df_srp\["comp1"\] = z\[:,0) df_srp\["comp2"\] = z\[:,1\] 。 # 高斯随机投射在2个成分上 fit\_transform(x\_mnist) # 对2个成分进行PCA PCA(n=2) 我们将通过可视化的方式在图中检查关于预测的结果。 `````` sns.scatterplot(x="comp-1", y="comp-2")
该图显示了MNIST数据的变化维度。颜色定义了目标数字和它们的特征数据在图中的位置。
在本教程中，我们已经简单了解了如何用稀疏和高斯随机投影方法以及Python中的PCA方法来减少数据维度。
