En el último blog , presentamos e implementamos el algoritmo PCA usando código, en este blog aplicamos el algoritmo PCA para reducir la dimensionalidad y visualizar el conjunto de datos del iris.
Introducción al conjunto de datos de iris
Implementación de código
El siguiente código es del curso "Aplicación Python Machine Learning" en MOOC .
import matplotlib.pyplot como plt
desde sklearn.decomposition import PCA
desde sklearn.datasets import load_iris
data = load_iris () # carga el conjunto de datos del iris en forma de diccionario
y = data.target # usa y para representar la etiqueta en el conjunto de datos
X = data.data # Use X para representar los datos de atributo en el conjunto de datos
pca = PCA (n_components = 2) # Cargue el algoritmo PCA y establezca el número de componentes principales después de la reducción de dimensionalidad en 2
reduce_X = pca.fit_transform (X) # Reduzca la dimensionalidad de los datos originales y guárdelo en reduce_X Medio
red_x, red_y = [], [] # primer punto de datos de tipo
blue_x, blue_y = [], [] # segundo punto de datos de tipo
green_x, green_y = [], [] # tercer punto de datos de tipo
para i en rango (len (reduce_X)): # Guarde los puntos de datos con dimensionalidad reducida en diferentes listas según la categoría de iris.
si y [i] == 0:
elif y [i] == 1:
red_x.append (reduce_X [i] [0])
red_y.append (reduce_X [i] [1])
azul_x.append (reducido_X [i] [0])
azul_y.append (reducido_X [i] [1])
más:
green_x.append (reducido_X [i] [0])
verde_y.append (reducido_X [i] [1])
plt.scatter (red_x, red_y, c = 'r', marcador = 'x')
plt.scatter (blue_x, blue_y, c = 'b', marcador = 'D')
plt.scatter (green_x, green_y, c = 'g', marcador = '.')
plt.show ()
Resultado de la operación:
