• 技术文章 >Python技术 >Python基础教程

    Python特征降维如何理解

    小妮浅浅小妮浅浅2021-09-13 09:33:15原创2157

    说明

    1、PCA是最经典、最实用的降维技术,尤其在辅助图形识别中表现突出。

    2、用来减少数据集的维度,同时保持数据集中对方差贡献特征。

    保持低阶主成分,而忽略高阶成分,低阶成分往往能保留数据的最重要部分。

    实例

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    from sklearn.feature_selection import VarianceThreshold

      

    # 特征选择  VarianceThreshold删除低方差的特征(删除差别不大的特征)

    var = VarianceThreshold(threshold=1.0)   # 将方差小于等于1.0的特征删除。 默认threshold=0.0

    data = var.fit_transform([[0, 2, 0, 3], [0, 1, 4, 3], [0, 1, 1, 3]])

      

    print(data)

    '''

    [[0]

     [4]

     [1]]

    '''

    以上就是Python特征降维的理解,希望对大家有所帮助。更多Python学习指路:python基础教程

    本文教程操作环境:windows7系统、Python 3.9.1,DELL G3电脑。

    专题推荐:python特征降维
    上一篇:Python数据标准化是什么 下一篇:Python方差特征过滤的实现

    相关文章推荐

    • Python操作PgSQL数据库的方法• Python numpy有哪些功能优于列表• python列表有什么特点• python操作文件模式的介绍• Python with as如何使用• Python如何从列表中获取笛卡尔积• python如何检测pygame中的碰撞• python Selenium如何等待元素出现• Python中cProfile分析工具的使用• Python如何列出目录中的所有文件• Python中filecmp模块的介绍• Python中Tf-idf文本特征的提取• Python数据归一化如何理解• Python数据标准化是什么

    全部评论我要评论

    © 2021 Python学习网 苏ICP备2021003149号-1

  • 取消发布评论
  • 

    Python学习网