Python特征降维如何理解

说明

1、PCA是最经典、最实用的降维技术，尤其在辅助图形识别中表现突出。

2、用来减少数据集的维度，同时保持数据集中对方差贡献特征。

保持低阶主成分，而忽略高阶成分，低阶成分往往能保留数据的最重要部分。

实例

fromsklearn.feature_selectionimportVarianceThreshold

#特征选择VarianceThreshold删除低方差的特征(删除差别不大的特征)
var=VarianceThreshold(threshold=1.0)#将方差小于等于1.0的特征删除。默认threshold=0.0
data=var.fit_transform([[0,2,0,3],[0,1,4,3],[0,1,1,3]])

print(data)
'''
[[0]
[4]
[1]]
'''

以上就是Python特征降维的理解，希望对大家有所帮助。更多Python学习指路：python基础教程

本文教程操作环境：windows7系统、Python 3.9.1，DELL G3电脑。

课程教程：Python特征降维如何理解

内容版权声明：除非注明，否则皆为本站转载文章。文章及图片版权归原作者所有，如有侵权请联系我们，我们立刻删除。