PCA算法步骤：
设有m条n维数据。
1）将原始数据按列组成n行m列矩阵X
2）将X的每一行（代表一个属性字段）进行零均值化，即减去这一行的均值
3）求出协方差矩阵
4）求出协方差矩阵的特征值及对应的特征向量
5）将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P
6）
即为降维到k维后的数据
实例：
降维投影结果如下图：
以上内容来自https://www.cnblogs.com/mikewolf2002/p/3429711.html
import numpy as np import matplotlib.pyplot as plt from sklearn.decomposition import KernelPCA from sklearn.datasets import make_circles np.random.seed(0)#使得随机数可预测 x, y = make_circles(n_samples = 400, factor = .3, noise = .05) kpca = KernelPCA(kernel = 'rbf', gamma = 10) x_kpca = kpca.fit_transform(x) plt.figure() plt.subplot(2, 2, 1, aspect = 'equal') plt.title("original space") reds = y == 0 blues = y == 1 plt.plot(x[reds, 0], x[reds, 1], "ro") plt.plot(x[blues, 0], x[blues, 1], "bo") plt.xlabel("$x_1$") plt.ylabel("$x_2$") plt.subplot(2, 2, 3, aspect = 'equal') plt.plot(x_kpca[reds, 0], x_kpca[reds, 1], "ro") plt.plot(x_kpca[blues, 0], x_kpca[blues, 1], "bo") plt.title("Projection by KPCA") plt.xlabel("1st principal compontent in space induced by $\phi$") plt.ylabel("2nd component") plt.subplots_adjust(0.02, 0.10, 0.98, 0.94, 0.04, 0.35) plt.show()
np.random.seed()用法
(1) 代码中包含np.random.seed()
import numpy as np np.random.seed(0) k = 0 while(k < 4): print(np.random.randn()) k += 1在代码中加入np.random.seed()后，不管该段代码运行多少次，输出结果都一致。
结果为：
1.7664 0.72233 0.57392 2.1458(2) 代码中不包含np.random.seed()
import numpy as np k = 0 while(k < 4): print(np.random.randn()) k += 1当代码中不包含np.random.seed()时，代码每次运行，运行结果都不一致。
运行结果可以为：
-0. 0. 0.0878 1.2975也可以为：
1.99675 -0.6411 0.55894 -0.76979 结论：当我们设置相同的seed，每次生成的随机数相同
如果不设置seed，则每次会生成不同的随机数
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/216062.html原文链接：https://javaforall.net
