ML之DR之PCA：利用PCA對手寫數(shù)字圖片識別數(shù)據(jù)集進(jìn)行降維處理(理解PCA)

?

?

?

目錄

初步理解PCA

輸出結(jié)果

核心代碼

---

?

?

?

?

?

初步理解PCA

#理解PCA：線性相關(guān)矩陣秩計算樣例

import numpy as npM = np.array([[1, 2], [1009, 2018]]) #初始化一個2*2的線性相關(guān)矩陣 result=np.linalg.matrix_rank(M, tol=None) #計算2*2線性相關(guān)矩陣的秩 print('得出矩陣的秩：',result)

?

輸出結(jié)果

利用PCA對手寫數(shù)字圖片識別數(shù)據(jù)集進(jìn)行降維處理

?

?

核心代碼

X_digits = digits_train[np.arange(64)] y_digits = digits_train[64]estimator = PCA(n_components=2) X_pca = estimator.fit_transform(X_digits)for i in range(len(colors)):px = X_pca[:, 0][y_digits.as_matrix() == i]py = X_pca[:, 1][y_digits.as_matrix()== i]plt.scatter(px, py, c=colors[i])plt.legend(np.arange(0,10).astype(str))plt.xlabel('First Principal Component')plt.ylabel('Second Principal Component')

?

?

《新程序員》：云原生和全面數(shù)字化實踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的ML之DR之PCA：利用PCA对手写数字图片识别数据集进行降维处理(理解PCA)的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。