Python进行PCA降维，以及可视化

Python进行PCA降维

 

值得参考：

https://www.cnblogs.com/pinard/p/6243025.html

 

 

 

# 为什么要进行PCA?
# s1:降维，进行可视化。
# 找矩阵，数据背后的主成分？



from sklearn.decomposition import PCA
import pandas as pd
import numpy as np


dataMat = np.random.random((10,10))
pca_sk = PCA(n_components=2)
newMat = pca_sk.fit_transform(dataMat)
#PCA降维之后的结果如何解释？



#高维数据空间的可视化？

 

降维之后进行可视化

plt.scatter(X_new[:, 0], X_new[:, 1],marker='o')
plt.show()

 

 

 

# 为什么要进行PCA?
# s1:降维，进行可视化。
# 找矩阵，数据背后的主成分？



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


dataMat = np.random.random((1000,1000))
pca_sk = PCA(n_components=2)
newMat = pca_sk.fit_transform(dataMat)
#PCA降维之后的结果如何解释？

plt.scatter(newMat[:, 0], newMat[:, 1],marker='o')
plt.show()

#高维数据空间的可视化？

 

可以看到当上升到1000维度时，降维之后，呈现出了高斯分布。