sklearn LDA降維算法

LDA(Linear Discriminant Analysis)線性判斷別分析，可以用于降維和分類。其基本思想是類內散度盡可能小，類間散度盡可能大，是一種經典的監督式降維/分類技術。

sklearn代碼實現

#coding=utf-8

import pandas as pd

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

from sklearn import datasets

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis

import numpy as np

def main():

iris = datasets.load_iris() #典型分類數據模型

#這里我們數據統一用pandas處理

data = pd.DataFrame(iris.data, columns=iris.feature_names)

data['class'] = iris.target

#這里只取兩類

# data = data[data['class']!=2]

#為了可視化方便，這里取兩個屬性為例

X = data[data.columns.drop('class')]

Y = data['class']

#劃分數據集

X_train, X_test, Y_train, Y_test =train_test_split(X, Y)

lda = LinearDiscriminantAnalysis(n_components=2)

lda.fit(X_train, Y_train)

#顯示訓練結果

print lda.means_ #中心點

print lda.score(X_test, Y_test) #score是指分類的正確率

print lda.scalings_ #score是指分類的正確率

X_2d = lda.transform(X) #現在已經降到二維X_2d=np.dot(X-lda.xbar_,lda.scalings_)

#對于二維數據，我們做個可視化

#區域劃分

lda.fit(X_2d,Y)

h = 0.02

x_min, x_max = X_2d[:, 0].min() - 1, X_2d[:, 0].max() + 1

y_min, y_max = X_2d[:, 1].min() - 1, X_2d[:, 1].max() + 1

xx, yy = np.meshgrid(np.arange(x_min, x_max, h),

np.arange(y_min, y_max, h))

Z = lda.predict(np.c_[xx.ravel(), yy.ravel()])

Z = Z.reshape(xx.shape)

plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)

#做出原來的散點圖

class1_x = X_2d[Y==0,0]

class1_y = X_2d[Y==0,1]

l1 = plt.scatter(class1_x,class1_y,color='b',label=iris.target_names[0])

class1_x = X_2d[Y==1,0]

class1_y = X_2d[Y==1,1]

l2 = plt.scatter(class1_x,class1_y,color='y',label=iris.target_names[1])

class1_x = X_2d[Y==2,0]

class1_y = X_2d[Y==2,1]

l3 = plt.scatter(class1_x,class1_y,color='r',label=iris.target_names[2])

plt.legend(handles = [l1, l2, l3], loc = 'best')

plt.grid(True)

plt.show()

if __name__ == '__main__':

main()

測試結果

Means: #各類的中心點

[[ 5.00810811 3.41891892 1.44594595 0.23513514]

[ 6.06410256 2.80769231 4.32564103 1.33589744]

[ 6.61666667 2.97222222 5.63055556 2.02777778]]

Score: #對于測試集的正確率

0.973684210526

Scalings:

[[ 1.19870893 0.76465114]

[ 1.20339741 -2.46937995]

[-2.55937543 0.42562073]

[-2.77824826 -2.4470865 ]]

Xbar:

[ 5.89285714 3.0625 3.79375 1.19464286]

#X'=np.dot(X-lda.xbar_,lda.scalings_)默認的線性變化方程

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的python 降维lda算法的使用_sklearn LDA降维算法的全部內容，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。