Python数据降维之PCA主成分分析【附代码】

最新推荐文章于 2025-08-07 15:47:52 发布
最新推荐文章于 2025-08-07 15:47:52 发布
阅读量2.8k 收藏 55
点赞数 35
CC 4.0 BY-SA版权
文章标签： python 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_60476982/article/details/136775261

目录

1、数据降维

（1）PCA主成分分析原理介绍

1、二维空间降维

2、二维空间降维

3、n维空间降维

（2）PCA主成分分析代码实现

1、二维空间降维Python代码实现

2、三维空间降维Python代码实现

2、案例 - 人脸识别模型

（1）背景

（2）人脸数据读取、处理与变量提取

1、读取人脸照片数据

2、人脸数据处理 - 特征变量提取

（3）数据划分与降维

1、划分训练集和测试集

2、PCA数据降维

（4） 模型的搭建与使用

1、模型搭建

2、模型预测

3、模型对比（数据降维与不降维）

1、数据降维

       降维的方法主要有两种：选择特征和抽取特征。选择特征即从原有的特征中挑选出最佳的特征，抽取特征即将数据由高维向低维投影，进行坐标的线性转换。PCA主成分分析即为典型的抽取特征的方法，它不仅是对高维数据降维，更重要的是经过降维去除噪声，发现数据中的模式。这一节主要介绍PCA主成分分析的基本原理，并通过简单案例来讲解如何通过Python来实现PCA主成分分析。

（1）PCA主成分分析原理介绍

1、二维空间降维

       假设在二维坐标系上有一组数据，分别是A(1, 1)，B(2, 2)，C(3, 3)，我们的目的就是把这一组二维数据转换为一维数据。

2、二维空间降维

       如果需要将这组数据从二维降至一维，我们可以将"y = x"这一条直线作为新的坐标轴，在下图右边新的坐标体系中，只有一条横轴x'，而不再具有纵轴了，这样就把原来的二维数据转换为一维数据了，点A（1, 1）就变成了2√2这一个一维坐标了，点B（2, 2）就变成了2√2这个一维坐标了。

       在实际进行数据降维前首先需要对特征数据零均值化，即对每个特征维度的数据减去该特征的均值。

       对于二维到一维的数据降维，其本质就是在将原始数据零均值化后，寻找下图所示的合适的线性组合系数α和β，来将二维数据转换为一维数据。

3、n维空间降维

       如果原特征变量有n个，那么就是n维空间降维，n维空间降维的思路和二维空间降维的思路是一致的。例如将n维数据（X1,X2,...,Xn ）转换为一维数据，就是寻找下图所示的线性组合系数a1、a2……an：

       在实际应用中，Python已经提供了相应的计算库供我们使用，能够快速地帮我们计算出这些系数。分析的是n维向量转成1维向量，那么如何n维向量（X1,X2,...,</

最低0.47元/天 解锁文章

新学期VIP享超值加赠
DING0614
关注
pca.fit(contrast_vectors) 是什么意思； pca.components_[0] 取第1主成分作为注意力向量；pca.components_[0] 取第2主成分
ZJQ的博客
07-25 45
pca.fit(contrast_vectors) 是什么意思 ## pca.components_[0] 取第1主成分作为注意力向量；pca.components_[0] 取第2主成分
数据特征降维 | 主成分分析（PCA）附Python代码
算法如诗的博客
05-14 516
数据特征降维 | 主成分分析（PCA）附Python代码
Python实现PCA
10-27
自己用Python实现的PCA算法。Python3可直接导入数据运行。
python代码讲解-PCA主成分分析 原理讲解 python代码实现
weixin_37988176的博客
10-30 341
1. 用途：通俗来说： 考察一个人的智力情况，就直接看数学成绩就行(存在：数学、语文、英语成绩) 。就是找出一个最主要的特征，然后进行分析。数据压缩 （Data Compression） ，将高维数据变为低维数据。可视化数据 （3D->2D等）2. 2D-->1D，nD-->kD如下图所示，所有数据点可以投影到一条直线，是投影距离的平方和（投影误差）最小注意数据需要归一化处理思路是找1个向量u,所...
PCA（主成分分析法）的Python代码实现（numpy，sklearn）
热门推荐
qq_52300431的博客
03-14 4万+
PCA（主成分分析法）的Python代码实现（numpy，sklearn）语言描述算法描述示例1 使用numpy一步一步按算法降维 2 直接使用sklearn中的PCA进行降维 语言描述 PCA设法将原来众多具有一定相关性的属性（比如p个属性），重新组合成一组相互无关的综合属性来代替原属性。通常数学上的处理就是将原来p个属性做线性组合，作为新的综合属性。 PCA 中的线性变换等价于坐标变换，变换的目的是使 n 个样本点在新坐标轴 y1y_1y1​ 上的离散程度（方差）最大，这样变量 y1
PCA实现代码（Python）
04-16
提供了PCA实现的代码，以及图片处理实例的代码，图片需要自己寻找且编号（16张，编号为01,02,...,16.jpg）
Python实现PCA算法
qq_42568323的博客
08-23 2206
主成分分析（Principal Component Analysis，PCA）是一种常用的数据降维技术。它通过将数据从高维空间投影到低维空间，最大化数据的方差，使得低维空间中能够保留原始数据的主要信息。PCA在许多领域，如数据压缩、特征提取、数据可视化等，有着广泛的应用。我们使用MNIST数据集中的手写数字图像作为示例。每张图像由28x28的像素构成，总共有784个特征。PCA作为一种强大的数据分析工具，在数据压缩、降噪和可视化中具有重要作用。
2024年Python最新人工智能（降维）——主成分分析（PCA)，2024年最新挥泪整理面经
m0_61369275的博客
05-09 460
别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。我先来介绍一下这些东西怎么用，文末抱走。这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。最近我才对这些路线做了一下新的更新，知识体系更全面了。
python:一文读懂什么是数据降维，PCA主成分分析降维后的原特征与主成分的关系，以人脸识别为例演示如何使用PCA，都是干货
最新发布
hlnzxl的博客
08-07 803
本文介绍了数据降维的概念、作用及常用方法。重点讲解了PCA（主成分分析）方法，通过正交变换提取数据主要特征，并演示了PCA在三维数据降维和人脸识别中的应用。文章还对比了PCA、t-SNE、LDA、UMAP和Autoencoder等降维方法的优缺点及适用场景，建议80%场景优先使用PCA，复杂数据再尝试非线性方法。最后给出了不同任务下的降维方法选择指南。
pca主成分分析python代码_PCA主成分分析---降维（python调用实现）
weixin_34098846的博客
01-28 1263
使用鸢尾花数据集，原始特征向量为4，现在使用python库 降维为2维import matplotlib.pyplot as plt # 加载matplotlib用于数据的可视化from sklearn.decomposition import PCA # 加载PCA算法包from sklearn.datasets import load_irisdata = load_iris()y = d...
PCA算法Python代码实现
彬彬侠的博客
11-17 1710
用Python代码实现了一个PCA类，对数据进行降维，给出了运行示例和可视化结果。
主成分分析(PCA)python实现(含数据集)
12-15
主成分分析(PCA)python实现(含数据集)，结构清晰，适合初学者
PCA 算法实验代码（python）
05-31
本实验，利用PCA 算法，对据人脸数据集进行特征提取，选择少量特征便能得到理想的结果，实验验证采用欧式距离
主成分分析（PCA）Python代码.ipynb
03-12
PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。
基于python的PCA算法源代码
07-17
基于python的PCA算法源代码基于python的PCA算法源代码
主成分分析（PCA）-Python代码-信息分析与预测
05-23
信息分析与预测的实验，Python写的代码，萌新代码，勿喷，仅仅只是方便没时间写实验的朋友，直接用python打开就能运行
Python机器学习笔记 使用scikit-learn工具进行PCA降维
weixin_30347335的博客
04-04 5148
　　之前总结过关于PCA的知识：深入学习主成分分析（PCA）算法原理。这里打算再写一篇笔记，总结一下如何使用scikit-learn工具来进行PCA降维。 　　在数据处理中，经常会遇到特征维度比样本数量多得多的情况，如果拿到实际工程中去跑，效果不一定好。一是因为冗余的特征会带来一些噪音，影响计算的结果；二是因为无关的特征会加大计算量，耗费时间和资源。所以我们通常会对数据重新变换一下，再跑模型。数...
主成分分析(PCA)-Python代码
qq_42695597的博客
12-04 3580
主成分分析是利用降维的思想，在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法。 算法的具体步骤如下： 1）对向量X进行去中心化。 2）计算向量X的协方差矩阵，自由度可以选择0或者1。 3）计算协方差矩阵的特征值和特征向量。 4）选取最大的k个特征值及其特征向量。 5）用X与特征向量相乘。
python主成分分析_Python机器学习笔记：主成分分析（PCA）算法
weixin_39570530的博客
11-28 1985
一：引入问题首先看一个表格，下表是某些学生的语文，数学，物理，化学成绩统计：首先，假设这些科目成绩不相关，也就是说某一科目考多少分与其他科目没有关系，那么如何判断三个学生的优秀程度呢？首先我们一眼就能看出来，数学，物理，化学这三门课的成绩构成了这组数据的主成分（很显然，数学作为第一主成分，因为数据成绩拉的最开）。那么为什么我们能一眼看出来呢？当然是我们的坐标轴选对了！！下面，我们继续看一个表格，下...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值