1、PCA是最經(jīng)典、最實(shí)用的降維技術(shù)，尤其在輔助圖形識(shí)別中表現(xiàn)突出。

2、用來減少數(shù)據(jù)集的維度，同時(shí)保持?jǐn)?shù)據(jù)集中對(duì)方差貢獻(xiàn)最大的特征。

保持低階主成分，而忽略高階成分，低階成分往往能保留數(shù)據(jù)的最重要部分。

from sklearn.feature_selection import VarianceThreshold# 特征選擇 VarianceThreshold刪除低方差的特征(刪除差別不大的特征)var = VarianceThreshold(threshold=1.0) # 將方差小于等于1.0的特征刪除。 默認(rèn)threshold=0.0data = var.fit_transform([[0, 2, 0, 3], [0, 1, 4, 3], [0, 1, 1, 3]]) print(data)’’’[[0] [4] [1]]’’’

內(nèi)容擴(kuò)展：

python實(shí)現(xiàn)拉普拉斯降維

def laplaEigen(dataMat,k,t): m,n=shape(dataMat) W=mat(zeros([m,m])) D=mat(zeros([m,m])) for i in range(m): k_index=knn(dataMat[i,:],dataMat,k) for j in range(k): sqDiffVector = dataMat[i,:]-dataMat[k_index[j],:] sqDiffVector=array(sqDiffVector)**2 sqDistances = sqDiffVector.sum() W[i,k_index[j]]=math.exp(-sqDistances/t) D[i,i]+=W[i,k_index[j]] L=D-W Dinv=np.linalg.inv(D) X=np.dot(D.I,L) lamda,f=np.linalg.eig(X) return lamda,f def knn(inX, dataSet, k): dataSetSize = dataSet.shape[0] diffMat = tile(inX, (dataSetSize,1)) - dataSet sqDiffMat = array(diffMat)**2 sqDistances = sqDiffMat.sum(axis=1) distances = sqDistances**0.5 sortedDistIndicies = distances.argsort() return sortedDistIndicies[0:k] dataMat, color = make_swiss_roll(n_samples=2000) lamda,f=laplaEigen(dataMat,11,5.0) fm,fn =shape(f) print ’fm,fn:’,fm,fn lamdaIndicies = argsort(lamda) first=0 second=0 print lamdaIndicies[0], lamdaIndicies[1] for i in range(fm): if lamda[lamdaIndicies[i]].real>1e-5: print lamda[lamdaIndicies[i]] first=lamdaIndicies[i] second=lamdaIndicies[i+1] break print first, second redEigVects = f[:,lamdaIndicies] fig=plt.figure(’origin’) ax1 = fig.add_subplot(111, projection=’3d’) ax1.scatter(dataMat[:, 0], dataMat[:, 1], dataMat[:, 2], c=color,cmap=plt.cm.Spectral) fig=plt.figure(’lowdata’) ax2 = fig.add_subplot(111) ax2.scatter(f[:,first], f[:,second], c=color, cmap=plt.cm.Spectral) plt.show()

到此這篇關(guān)于Python特征降維知識(shí)點(diǎn)總結(jié)的文章就介紹到這了,更多相關(guān)Python特征降維如何理解內(nèi)容請(qǐng)搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！