用PCA将小麦的数据降维到二维

from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
import matplotlib.pyplot as plt
import numpy
import pandas as pd

fp=open('seeds_dataset.txt','r')
ls=[]
for line in fp:line=line.strip('\n')   #将\n去掉ls.append(line.split('\t'))   #将空格作为分隔符将一个字符切割成一个字符数组fp.close()
ls=numpy.array(ls,dtype=float)   #将其转换成numpy的数组，并定义数据类型为float
print(ls)

# 将文件转为DataFrame表格
ls_pd = pd.DataFrame(ls)

ls_pd.loc[:,1:6]

y = ls_pd.loc[:,7]

from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
data_std = sc.fit_transform(ls_pd.loc[:,1:6])

pca = PCA(n_components = 2) #加载PCA算法，设置降维后主成分数目为2
reduced_x = pca.fit_transform(data_std) #对样本进行降维

reduced_x

red_x,red_y=[],[]
blue_x,blue_y=[],[]
green_x,green_y=[],[]for i in range(len(reduced_x)):if y[i] == 1:red_x.append(reduced_x[i][0])red_y.append(reduced_x[i][1])elif y[i] == 2:blue_x.append(reduced_x[i][0])blue_y.append(reduced_x[i][1])else:green_x.append(reduced_x[i][0])green_y.append(reduced_x[i][1])

#可视化
plt.scatter(red_x,red_y,c='r',marker='x')
plt.scatter(blue_x,blue_y,c='b',marker='D')
plt.scatter(green_x,green_y,c='g',marker='.')
plt.show()

结果如下：

PCA-小麦分类预处理之降维相关推荐

Py之scikit-learn：机器学习sklearn库的简介、六大基本功能介绍(数据预处理/数据降维/模型选择/分类/回归/聚类)、安装、使用方法(实际问题中如何选择最合适的机器学习算法)之详细攻略
Py之scikit-learn:机器学习sklearn库的简介(组件/版本迭代).六大基本功能介绍(数据预处理/数据降维/模型选择/分类/回归/聚类).安装.使用方法(实际问题中如何选择最合适的机器学 ...
深入浅出Python机器学习9——数据预处理、降维、特征提取及聚类
数据预处理使用 StandScaler 进行数据预处理首先手工生成一些数据: 用make_blobs 函数时,指定了样本数量 n_samples 为 40,分类 centers 为 ...
Pca，Kpca，TSNE降维非线性数据的效果展示与理论解释
Pca,Kpca,TSNE降维非线性数据的效果展示与理论解释前言一:几类降维技术的介绍二:主要介绍Kpca的实现步骤三:实验结果四:总结前言本文主要介绍运用机器学习中常见的降维技术对数据 ...
基于PCA与LDA的数据降维实践
基于PCA与LDA的数据降维实践描述数据降维(Dimension Reduction)是降低数据冗余.消除噪音数据的干扰.提取有效特征.提升模型的效率和准确性的有效途径, PCA(主成分分析)和L ...
AI：人工智能领域算法思维导图集合之有监督学习/无监督学习/强化学习类型的具体算法简介(预测函数/优化目标/求解算法)、分类/回归/聚类/降维算法模型选择思路、11类机器学习算法详细分类之详细攻略
AI:人工智能领域算法思维导图集合之有监督学习/无监督学习/强化学习类型的具体算法简介(预测函数/优化目标/求解算法).分类/回归/聚类/降维算法模型选择思路.11类机器学习算法详细分类(决策树/贝叶 ...
常见的PCA、tSNE、UMAP降维及聚类基本原理及代码实例
常见的降维方法基本原理及代码实例 0.前言:什么时候要降维聚类?降维目的-方法概述 1.PCA(主成分分析) 1.1PCA概念 1.2 PCA代码实例 2.tSNE 2.1tSNE概念 2.2 tSN ...
Python数据预处理和PCA、ICA、LDA降维的方法(实验代码)
目录 1.标准差标准化数据预处理--标准差标准化数据预处理--离差标准化数据预处理--非线性转换数据预处理--归一化数据预处理--二值化数据预处理--独热编码数据预处理--缺失值的插补 ...
使用PCA对特征数据进行降维
主成分分析(PCA)是一种基于变量协方差矩阵对数据进行压缩降维.去噪的有效方法,PCA的思想是将n维特征映射到k维上(k<n),这k维特征称为主元,是旧特征的线性组合,这些线性组合最大化样本方差 ...
PCA与LDA两种降维方法原理的简要对比
1.PCA(主成分分析) 无监督的,选择的是投影后数据方差最大的方向.因此PCA假设方差越大,代表的信息量越大,使用主成分来表示原始数据可以去除冗余的维度,达到降维的目的. 2.LDA(线性判别分析) ...

PCA-小麦分类预处理之降维

用PCA将小麦的数据降维到二维

PCA-小麦分类预处理之降维相关推荐

最新文章

热门文章