python3 学习api使用
主成分分析方法实现降低维度
使用了网络上的数据集，我已经下载到了本地，可以去我的git上参考
git:https://github.com/linyi0604/MachineLearning
代码：
1 from sklearn.svm import LinearSVC 2 from sklearn.metrics import classification_report 3 from sklearn.decomposition import PCA 4 import pandas as pd 5 import numpy as np 6 ''' 7 主成分分析： 8 特征降低维度的方法。 9 提取主要特征成分，有关联的特征进行运算组合 10 丢弃不显著的特征成分， 同时可能损失有意义的特征 11 实现降低特征维度 12 api使用： 13 estimator = PCA(n_components=20) 14 pca_x_train = estimator.fit_transform(x_train) 15 pca_x_test = estimator.transform(x_test) 16 17 分别使用支持向量机进行学习降维前后的数据再预测 18 19 该数据集源自网上 https://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/ 20 我把他下载到了本地 21 训练样本3823条， 测试样本1797条 22 图像通过8*8像素矩阵表示共64个维度，1个目标维度表示数字类别 23 24 ''' 25 26 # 1 准备数据 27 digits_train = pd.read_csv("./data/optdigits/optdigits.tra", header=None) 28 digits_test = pd.read_csv("./data/optdigits/optdigits.tes", header=None) 29 # 从样本中抽取出64维度像素特征和1维度目标 30 x_train = digits_train[np.arange(64)] 31 y_train = digits_train[64] 32 x_test = digits_test[np.arange(64)] 33 y_test = digits_test[64] 34 35 # 2 对图像数据进行降维，64维度降低到20维度 36 estimator = PCA(n_components=20) 37 pca_x_train = estimator.fit_transform(x_train) 38 pca_x_test = estimator.transform(x_test) 39 40 # 3.1 使用默认配置的支持向量机进行学习和预测未降维的数据 41 svc = LinearSVC() 42 # 学习 43 svc.fit(x_train, y_train) 44 # 预测 45 y_predict = svc.predict(x_test) 46 47 # 3.2 使用默认配置的支持向量机学习和预测降维后的数据 48 pca_svc = LinearSVC() 49 # 学习 50 pca_svc.fit(pca_x_train, y_train) 51 pca_y_predict = pca_svc.predict(pca_x_test) 52 53 # 4 模型评估 54 print("原始数据的准确率：", svc.score(x_test, y_test)) 55 print("其他评分：\n", classification_report(y_test, y_predict, target_names=np.arange(10).astype(str))) 56 57 print("降维后的数据准确率:", pca_svc.score(pca_x_test, y_test)) 58 print("其他评分：\n", classification_report(y_test, pca_y_predict, target_names=np.arange(10).astype(str))) 59 60 ''' 61 原始数据的准确率： 0.9165275459098498 62 其他评分： 63 precision recall f1-score support 64 65 0 0.98 0.98 0.98 178 66 1 0.73 0.99 0.84 182 67 2 0.98 0.97 0.98 177 68 3 0.96 0.88 0.92 183 69 4 0.94 0.95 0.95 181 70 5 0.91 0.96 0.93 182 71 6 0.99 0.96 0.98 181 72 7 0.98 0.92 0.95 179 73 8 0.84 0.79 0.81 174 74 9 0.94 0.76 0.84 180 75 76 avg / total 0.92 0.92 0.92 1797 77 78 降维后的数据准确率: 0.9220923761825265 79 其他评分： 80 precision recall f1-score support 81 82 0 0.97 0.97 0.97 178 83 1 0.93 0.86 0.89 182 84 2 0.96 0.97 0.96 177 85 3 0.93 0.87 0.90 183 86 4 0.94 0.97 0.96 181 87 5 0.86 0.96 0.91 182 88 6 0.97 0.98 0.98 181 89 7 0.97 0.88 0.92 179 90 8 0.89 0.89 0.89 174 91 9 0.82 0.88 0.85 180 92 93 avg / total 0.92 0.92 0.92 1797 94 '''