首页分享机器学习利用PCA完成鸢尾花数据集的降维与分类

机器学习利用PCA完成鸢尾花数据集的降维与分类

来源：花匠小妙招时间：2025-01-12 03:22

作业

利用PCA，完成鸢尾花数据集的降维与分类（分类算法自己挑选，并给出比较），并给出所选算法与分类准确率直接的可视化对比图（曲线或柱状图均可）。

代码

原始(未降维)

# 读取数据 df = pd.read_csv('iris.csv') def get_xycs(df): # 平面坐标系的位置只能表示2维数据 x = df['sepal.length'] # x 轴坐标 y = df['sepal.width'] # y 轴坐标 c = df['petal.length'].map({'Setosa':'r','Versicolor':'g','Virginica':'b'}) # 颜色color s = df['petal.width'] # 大小size return x, y, c, s # 根据X，Y值画散点图, 用颜色的深浅表示花萼的长度，用大小表示花萼的宽度, 每组数据只能是一种点样式 plt.figure(figsize=(5, 5), dpi=100) # plt.scatter(x,y, c=c, s=50) # 可以是标量，那么所有的点都一样 for sp in df['species'].unique(): x, y, c, s = get_xycs(df[df['species'] == sp]) plt.scatter(x, y, s=s * 30, cmap=plt.cm.seismic, label=sp) plt.legend() plt.show() 123456789101112131415161718 结果

在这里插入图片描述

利用PCA降维与分类

import matplotlib.pyplot as plt import pandas as pd from sklearn.decomposition import PCA from sklearn.preprocessing import StandardScaler from sklearn.datasets import load_iris X, y = load_iris().data, load_iris().target pca = PCA(n_components = 2) x = StandardScaler().fit_transform(X) pca_iris = pca.fit_transform(x) pca_df = pd.DataFrame(pca_iris, columns=['pca1', 'pca2']) pca_df['target'] = y x = StandardScaler().fit_transform(X) fig = plt.figure(figsize = (8,8)) ax = fig.add_subplot(1,1,1) ax.set_xlabel('Principal Component 1', fontsize = 15) ax.set_ylabel('Principal Component 2', fontsize = 15) ax.set_title('2 component PCA', fontsize = 20) targets = [0, 1, 2] colors = ['r', 'g', 'b'] for target, color in zip(targets,colors): indicesToKeep = pca_df['target'] == target ax.scatter(pca_df.loc[indicesToKeep, 'pca1'] , pca_df.loc[indicesToKeep, 'pca2'] , c = color , s = 50) ax.legend(targets) ax.grid() 123456789101112131415161718192021222324252627 结果

在这里插入图片描述