标签：降维 bsp 数据可视化 min() port weight 加载 its datasets
在 skilearn 的手写数据集中，每个数据点都是 0 到 9 之间手写数字的一张 8*8 灰度图像。用 PCA 将其降维到二维，并可视化数据点，如下：
1、digits 数据演示：
from sklearn.datasets import load_digits
import matplotlib.pyplot as plt
digits = load_digits()
fig, axes = plt.subplots(2, 5, figsize=(10, 5),
subplot_kw={‘xticks‘: (), ‘yticks‘: ()})
for ax, img in zip(axes.ravel(), digits.images):
ax.imshow(img)
plt.show()
2、将 PCA 降维到二维的数据可视化
from sklearn.datasets import load_digits
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
# 加载数据
digits = load_digits()
# 初始化一个 PCA 模型，在数据中提取两个主成分
pca = PCA(n_components=2, random_state=27)
pca.fit(digits.data)
digits_pca = pca.transform(digits.data)
colors = [‘#A83683‘, ‘#4E655E‘, ‘#853541‘, ‘#3A3120‘, ‘#535D8E‘,
‘#476A2A‘, ‘#7851B8‘, ‘#DB3430‘, ‘#4A2D4E‘, ‘#875525‘]
plt.figure(figsize=(10, 10))
plt.xlim(digits_pca[:, 0].min(), digits_pca[:, 0].max())
plt.ylim(digits_pca[:, 1].min(), digits_pca[:, 1].max())
# 以数字符号显示每个类别的位置
for i in range(len(digits.data)):
plt.text(digits_pca[i, 0], digits_pca[i, 1], str(digits.target[i]),
color=colors[digits.target[i]], fontweight=‘bold‘, fontsize=9)
plt.xlabel(‘First principal component‘)
plt.ylabel(‘Second principal component‘)
plt.show()
3、按语
用 PCA 提取的前两个主成分，可以很好的将 0、6、4 区分开来，但其他数字多有重叠。
标签：降维 bsp 数据可视化 min() port weight 加载 its datasets
原文地址：https://www.cnblogs.com/shanger/p/11937591.html
