sklearn——PCA&LDA
来源:互联网 发布:js变量命名的规则 编辑:程序博客网 时间:2024/05/29 04:28
LDA:利用类别信息,将数据投影到到最容易区分的方向。
PCA:并没有利用类别信息,只是降维后每一维特征方差都大。
# 导入iris数据集from sklearn.datasets import load_irisimport numpy as npiris = load_iris()
# PCAfrom sklearn.decomposition import PCApca = PCA(n_components=2)pca_result = pca.fit_transform(iris.data)# LDAfrom sklearn.lda import LDAlda = LDA()lda = LDA(n_components=2)lda_result = lda.fit_transform(iris.data, iris.target)
# 画图import matplotlib.pyplot as plt# for PCAplt.subplot(1,3,1)plt.scatter(pca_result[iris.target==0, 0], pca_result[iris.target==0, 1], color='r')plt.scatter(pca_result[iris.target==1, 0], pca_result[iris.target==1, 1], color='g') plt.scatter(pca_result[iris.target==2, 0], pca_result[iris.target==2, 1], color='b') plt.title('PCA on iris')# for LDAplt.subplot(1,3,2)plt.scatter(lda_result[iris.target==0, 0], lda_result[iris.target==0, 1], color='r')plt.scatter(lda_result[iris.target==1, 0], lda_result[iris.target==1, 1], color='g') plt.scatter(lda_result[iris.target==2, 0], lda_result[iris.target==2, 1], color='b') plt.title('LDA on iris')plt.show()
ref:
http://www.letiantian.me/2015-04-03-pca-lda-nmf-iris/?utm_source=tuicool&utm_medium=referral
0 0
- sklearn——PCA&LDA
- 特征变换以及维度下降——LDA VS PCA
- 特征变换以及维度下降——LDA VS PCA
- PCA(主成分分析)前叙——LDA
- PCA&LDA
- LDA PCA
- LDA & PCA
- LDA & PCA
- pca+lda
- LDA PCA
- PCA、LDA
- LDA PCA
- sklearn 特征降维利器 —— PCA & TSNE
- sklearn PCA
- PCA降维——主成分分析(principal component analysis,PCA)与LDA(线性判别分析)
- 机器视觉学习总结(二)—— LDA,PCA算法与应用
- 机器学习中的数学——主成分分析(PCA)、线性判别分析(LDA)
- LDA,PCA,ICA比较
- 如何利用Python对中文进行分词处理
- Android悬浮窗置于任务栏之上
- 让服务器能支持10万并发数秘诀,亲身经历,站在巨人的肩膀上创造
- Volley+ListView制作留言栏
- Spring2 Bean详解
- sklearn——PCA&LDA
- 二叉查找树
- DataX配置定时任务
- 换个账号继续
- 开发程序员常用接口
- linux IO复用笔记_更新中
- 查看keystore相关信息
- Seq2Seq源码解析(基于Theano框架)
- 本地搭建redis服务器笔记