主成分分析法PCA
主成分分析通過線性投影，將高維的數據映射到低維的空間中表示，并期望在所投影的維度上數據的方差最大，以此達到使用較少的數據維度來保留較多的原數據點特性的效果。

from sklearn.decomposition import PCA PCA(n_components=2).fit_transform(iris.data) >>> import numpy as np >>> from sklearn.decomposition import PCA >>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]]) >>> pca = PCA(n_components=2) >>> pca.fit(X) PCA(n_components=2) >>> print(pca.explained_variance_ratio_) [0.9924... 0.0075...] >>> print(pca.singular_values_) [6.30061... 0.54980...] >>> pca = PCA(n_components=2, svd_solver='full') >>> pca.fit(X) PCA(n_components=2, svd_solver='full') >>> print(pca.explained_variance_ratio_) [0.9924... 0.00755...] >>> print(pca.singular_values_) [6.30061... 0.54980...] >>> pca = PCA(n_components=1, svd_solver='arpack') >>> pca.fit(X) PCA(n_components=1, svd_solver='arpack') >>> print(pca.explained_variance_ratio_) [0.99244...] >>> print(pca.singular_values_) [6.30061...]

線性判別分析法LDA
線性判別分析法是一種有監督的線性降維方法，與PCA盡可能多地保留數據信息不同，LDA的目的是使降維后的數據點盡可能容易被區分

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA LDA(n_components=2).fit_transform(iris.data, iris.target)

獨立成分分析ICA
獨立成分分析是從多元(多維)統計數據中尋找潛在因子或成分的一種方法．ICA與其它的方法重要的區別在于，它尋找滿足統計獨立和非高斯的成分。

from sklearn.decomposition import FastICA as ICA ICA(n_components=2).fit_transform(iris.data, iris.target)

特征選擇
特征選擇是一個很重要的數據預處理過程，在現實的機器學習任務中，獲得數據之后通常進行特征選擇。進行特征選擇的原因：
（1）維數災難問題
（2）去除不相關特征，往往會降低學習任務的難度。

總結

以上是生活随笔為你收集整理的【数据分析学习】线性降维方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。