基于Python的机器学习系列(23):奇异值分解(SVD)

2024-09-04 09:44

本文主要是介绍基于Python的机器学习系列(23):奇异值分解(SVD),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

        在本篇中,我们将介绍如何利用奇异值分解(SVD)进行降维。SVD 是一种强大的矩阵分解方法,可以帮助我们提取数据中的重要特征,广泛应用于数据分析、图像处理等领域。

问题定义

        在数据分析中,特别是当数据维度很高时,我们经常需要减少数据的维度以便于处理和可视化。奇异值分解(SVD)提供了一种有效的方法来实现这一目标。SVD 通过将原始数据矩阵分解成三个矩阵的乘积,从而实现数据的降维。

SVD 的基本思想

  1. 分解矩阵:SVD 将数据矩阵 分解为三个矩阵的乘积。第一个矩阵 包含了数据的主成分方向,第二个矩阵 包含了奇异值,这些奇异值表示了各个主成分的重要性,而第三个矩阵 进一步描述了数据在这些主成分上的分布。

  2. 提取主成分:通过 SVD,我们可以识别出哪些主成分在数据中最为重要。主成分是数据的主要方向,而奇异值则表示这些方向上的变异程度。较大的奇异值意味着对应的主成分在数据中占据了更大的变异量。

  3. 降维:在降维过程中,我们通常选择前几个主要的主成分(即奇异值较大的部分),忽略那些对数据变异贡献较小的部分。通过这种方式,我们可以将数据从高维空间映射到一个较低维的空间,同时尽量保留数据的主要特征。

实现示例

        以下代码展示了如何使用 SVD 来进行数据的奇异值分解,并提取主成分:

import numpy as np
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt# 生成示例数据
X, _ = make_blobs(n_samples=300, centers=3, random_state=42)# 进行奇异值分解
U, Sigma, Vt = np.linalg.svd(X, full_matrices=False)# 打印奇异值
print("奇异值:", Sigma)# 选择前两个主成分进行降维
X_reduced = np.dot(X, Vt.T[:, :2])# 可视化降维后的数据
plt.scatter(X_reduced[:, 0], X_reduced[:, 1])
plt.title("降维后的数据")
plt.xlabel("主成分 1")
plt.ylabel("主成分 2")
plt.show()

        在上述代码中,我们首先生成了一些示例数据,然后对这些数据进行 SVD。通过提取前两个主要的主成分,我们将数据从原始高维空间降维到二维空间,并将结果进行可视化。这种方法使得我们可以在低维空间中更直观地观察和分析数据。

结语

        在本系列文章中,我们探讨了多种机器学习技术,从监督学习中的AdaBoost梯度提升回归到无监督学习中的K均值聚类Mini-Batch K均值以及高斯混合模型(GMM)。此外,我们还深入讨论了主成分分析(PCA)奇异值分解(SVD)的降维技术。

        AdaBoost梯度提升都展示了如何通过加权和迭代提升弱学习器的性能,使得最终模型更具预测能力。与之相比,K均值GMM则提供了无监督的聚类方法,帮助我们从数据中发现隐藏的模式和结构。PCASVD则是强大的降维工具,通过线性变换减少数据的维度,同时保留主要信息,提升计算效率。

        这些技术各有优缺点,选择合适的算法取决于具体的问题和数据特点。对于复杂的分类问题,增强型方法如AdaBoost梯度提升可能更为有效,而对于探索数据结构或简化数据分析任务,无监督方法如K均值GMM和降维技术如PCASVD则是强有力的工具。理解和掌握这些方法将有助于我们更好地应对实际中的各种数据分析和机器学习挑战。

如果你觉得这篇博文对你有帮助,请点赞、收藏、关注我,并且可以打赏支持我!

欢迎关注我的后续博文,我将分享更多关于人工智能、自然语言处理和计算机视觉的精彩内容。

谢谢大家的支持!

这篇关于基于Python的机器学习系列(23):奇异值分解(SVD)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1135673

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

安卓链接正常显示,ios#符被转义%23导致链接访问404

原因分析: url中含有特殊字符 中文未编码 都有可能导致URL转换失败,所以需要对url编码处理  如下: guard let allowUrl = webUrl.addingPercentEncoding(withAllowedCharacters: .urlQueryAllowed) else {return} 后面发现当url中有#号时,会被误伤转义为%23,导致链接无法访问

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

科研绘图系列:R语言扩展物种堆积图(Extended Stacked Barplot)

介绍 R语言的扩展物种堆积图是一种数据可视化工具,它不仅展示了物种的堆积结果,还整合了不同样本分组之间的差异性分析结果。这种图形表示方法能够直观地比较不同物种在各个分组中的显著性差异,为研究者提供了一种有效的数据解读方式。 加载R包 knitr::opts_chunk$set(warning = F, message = F)library(tidyverse)library(phyl