PCA主成分分析

最新推荐文章于 2025-06-29 22:50:04 发布

Tracy_曦

最新推荐文章于 2025-06-29 22:50:04 发布

阅读量136

点赞数 1

CC 4.0 BY-SA版权

分类专栏：无监督学习文章标签：机器学习

本文链接：https://blog.csdn.net/Tracy_xixi/article/details/144453715

无监督学习专栏收录该内容

1 篇文章

订阅专栏

无监督学习是通过观察来学习，没有一个明确的标签来定义。

PCA主要是用于发现原始数据集中的属性之间不可见的关系和相关性。高度相关的属性是非常相似且多余的。PCA可删除冗余的属性。PCA另一个作用是在不影响重要信息的情况下降低数据的维度。

PCA的执行过程包括一下几步：

（1）计算一个给定数据集的相关或协方差矩阵

（2）找到相关或协方差矩阵的特征值和特征向量

（3）将特征向量矩阵与原始数据集相乘，得到主成分矩阵

下面用一段代码展示PCA原理：

在scikit-learn中也有现成的PCA，咱们直接调用也是可以的。

import pandas as pd
from sklearn.decomposition import PCA


pca_model=PCA(n_components=2)
components =pca_model.fit_transform(data)
components_df = pd.DataFrame(data = components,columns['principal_component_1','principal_component_2'])
print(components_df)