主成分分析(PCA)及葡萄酒数据集示例代码

2024-03-13 11:30

本文主要是介绍主成分分析(PCA)及葡萄酒数据集示例代码,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!

一、主成分分析的主要步骤

        主成分分析(PCA)是一种无监督的线性变换技术,广泛地应用于不同的领域,特别是特征提取和降维。他的应用领域包括股票市场交易的探索性数据分析和去噪,以及生物信息学的基因组数据和基因表达水平分析。

        PCA帮助我们根据特征之间的相关性来识别数据中的模型。PCA旨在寻找高维数据中存在的最大方差的方向,并将数据投影到维度小于或等于原始数据的新子空间。假设新特征轴彼此正交,该空间的正交轴(主成分)可以解释为方差最大的方向,如下图所示。其中x1、x2为原始特征轴,而PC1和PC2为主成分方向。

        如果用PCA降维,我们可以构建d\timesk维的变换矩阵W,它能把训练样本的特征向量x映射到新的k维特征子空间,该空间的维数比原来的d维特征空间要少。
        例如,假设我们有一个特征向量x:

                                ​​​​​​​        ​​​​​​​        ​​​​​​​        x=[x_{1,}x_{2... ,} x_{d}],x\in \mathbb{R}^{d}
        接着通过一个变换矩阵 W\in \mathbb{R}^{d\times k}进行变换:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        xW=z

        结果以向量方式表达如下: 

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        z=[z_{1,}z_{2,}...,z_{k}], z\in \mathbb{R}^{k}
        在原高维数据转换到k维新子空间(通常k≤d)的结果中,第一主成分的方差最大。另外,PCA 的方向对数据尺度非常敏感,需要在进行PCA之前对特征进行标准化。

        假设我们只取一个主成分,则w\in R^{d\times 1},该主成分为z=xwx\in \mathbb{R}^{1\times d}

        ​​​​​​​        ​​​​​​​        ​​​​​​​        var(z)=var(xw)=w^{T}cov(x)w=w^{T}\Sigma w

        因为\Sigma为正定阵,所以有分解\Sigma =Q\Lambda Q^{T},其中Q为单位对称矩阵,\Lambda中的特征值降序排列。于是又有:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​  var(z)=w^{T}\Sigma w=w^{T}Q\Lambda Q^{T}w

        取w\Sigma的最大特征根\lambda _{1}对应的特征向量q_{1}q_{1}\in \mathbb{R}^{d\times 1},则有:

        ​​​​​​​        ​​        ​​​​​​​var(z)=w^{T}Q\Lambda Q^{T}w=q_{1}^{T}Q\Lambda Q^{T}q_{1}=\lambda _{1}      (q_{1}^{T}q_{i}=0,i=2,...d)

        同理,若取两个主成分分析,有w_{2}=q_{2},第二个主成分z_{2}=xq_{2}

        此时,var(z+z_{2})是最大的,且var(z+z_{2})=\lambda _{1}+\lambda _{2}

        基于此可构造:w=[q_{1},q_{2}]

PCA步骤简单概括如下:
1) 标准化d维数据集。
2) 构建协方差矩阵。
3) 将协方差矩阵分解为特征向量和特征值。
4) 以降序对特征值排序,从而对相应的特征向量排序。
5) 选择对应k个最大特征值的k个特征向量,其中k为新特征子空间的维数(k≤d)。
6) 由前k个特征向量构造投影矩阵W。
7) 用投影矩阵W变换d维输入数据集X以获得新的k维特征子空间。
 

二、提取主成分

 以下讨论 PCA 的前四个步骤:
1) 标准化数据集。
2) 构建协方差矩阵。
3) 获取协方差矩阵的特征值和特征向量。
4) 以降序対特征值排序,从而对特征向量排序。


首先,加载葡萄酒数据集。

import pandas as pddf_wine = pd.read_csv('https://archive.ics.uci.edu/ml/''machine-learning-databases/wine/wine.data',header=None)df_wine.columns = ['Class label', 'Alcohol', 'Malic acid', 'Ash','Alcalinity of ash', 'Magnesium', 'Total phenols','Flavanoids', 'Nonflavanoid phenols', 'Proanthocyanins','Color intensity', 'Hue','OD280/OD315 of diluted wines', 'Proline']df_wine.head()

按照7:3的比例划分训练集、测试集,标准化为单位方差。

from sklearn.model_selection import train_test_splitX, y = df_wine.iloc[:, 1:].values, df_wine.iloc[:, 0].valuesX_train, X_test, y_train, y_test = \train_test_split(X, y, test_size=0.3, stratify=y,random_state=0)
from sklearn.preprocessing import StandardScalersc = StandardScaler()  #标准化
X_train_std = sc.fit_transform(X_train)
X_test_std = sc.transform(X_test)

然后,构造协方差矩阵。

其中,特征x_{j}x_{k}之间的整体协方差计算公式如下:

                                            \sigma _{jk }=\frac{1}{n}\sum_{i=1}^{n}(x_{j}^{(i)}-\mu _{j})(x_{k}^{(i)}-\mu _{k}) 

特征向量v满足以下条件:

                                                          \Sigma v=\lambda v

        \lambda是特征值。 

调用Numpy的linalg.eig函数来获得葡萄酒数据集协方差矩阵的特征向量和特征值。 

import numpy as np
cov_mat = np.cov(X_train_std.T)  #计算标准化训练集的协方差矩阵
eigen_vals, eigen_vecs = np.linalg.eig(cov_mat)   #用np.linalg.eig完成特征分解print('\nEigenvalues \n%s' % eigen_vals)   #eigen_vals特征值

产生13个特征向量eigen_vals,及对应的特征向量储存在13\times13维矩阵eigen_vecs的列中。

 三、总方差和解释方差

        因为我们要降低维度,所以要找出前k个最重要的特征向量。在这之前,先把特征值的方差解释比计算出来。特征值\lambda _{j}的方差解释比就是\lambda _{j}与特征值总和之比:

                                                        方差解释比 = \frac{\lambda _{j}}{\sum_{j=1}^{d}\lambda _{j}}

调用Numpy的cumsum函数,可以计算出解释方差和,然后使用Matplotlib的step函数绘图。 

tot = sum(eigen_vals)  #计算特征值的总和
var_exp = [(i / tot) for i in sorted(eigen_vals, reverse=True)]  #计算每个特征值所占的方差解释比例
cum_var_exp = np.cumsum(var_exp) #对方差解释比例进行累积求和
import matplotlib.pyplot as pltplt.bar(range(1, 14), var_exp, alpha=0.5, align='center',label='Individual explained variance')
plt.step(range(1, 14), cum_var_exp, where='mid',label='Cumulative explained variance')
plt.ylabel('Explained variance ratio')
plt.xlabel('Principal component index')
plt.legend(loc='best')
plt.tight_layout()
plt.show()

        结果表明,第一主成分本身占方差的40%左右,前两个主成分合起来可解释数据集中几乎60%的方差。

 四、特征变换

        在把协方差矩阵分解为特征向量之后,接着完成最后的三个步骤,将葡萄酒数据集变换到新的主成分轴。

其余的步骤如下:
5)选择与前k个最大特征值对应的k个特征向量,其中k为新特征子空间的维数(k≤d)。
6)用前k个特征向量构建投影矩阵W。
7)用投影矩阵W变换d维输入数据集X以获得新的k维特征子空间。

        把特征向量按特征值降序排列,从所选的特征向量构建投影矩阵,用投影矩阵把数据变换到低维子空间。
把特征向量按特征值降序排列:

eigen_pairs = [(np.abs(eigen_vals[i]), eigen_vecs[:, i])for i in range(len(eigen_vals))]   #将每个特征值的绝对值与对应的特征向量组成一个元组。eigen_pairs.sort(key=lambda k: k[0], reverse=True)
#通过lambda k: k[0]指定按照元组中的第一个元素进行排序,reverse=True表示降序排列。

收集对应前两个最大特征值的特征向量,从数据集中捕获大约60%的方差。这里只选择两个特征向量来进行说明。

w = np.hstack((eigen_pairs[0][1][:, np.newaxis],eigen_pairs[1][1][:, np.newaxis]))
#eigen_pairs[0]表示第一个特征值-特征向量对,eigen_pairs[0][1]表示该特征值对应的特征向量。通过[:, np.newaxis]将其转换为列向量。
#使用np.hstack()函数将这两个列向量水平拼接起来,形成投影矩阵W。
print('Matrix W:\n', w)
#每一列都是一个主成分

依据前两个特征向量创建一个13\times2维的投影矩阵W。  

        用投影矩阵将x(表示13维的行向量)变换到PCA子空间(主成分1和2),从而获得x’,即由两个新特征组成的二维实例向量: 

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        x' =xW

X_train_std[0].dot(w)  #X_train_std的第一条样本数据,使用投影矩阵W进行线性变换。

 通过计算矩阵点积,将整个训练集变换成两个主成分:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        X'=XW

X_train_pca = X_train_std.dot(w)
colors = ['r', 'b', 'g']
markers = ['s', 'x', 'o']for l, c, m in zip(np.unique(y_train), colors, markers):plt.scatter(X_train_pca[y_train == l, 0],    #属于标签为l的样本在第一和第二个主成分上的投影。X_train_pca[y_train == l, 1], c=c, label=l, marker=m)plt.xlabel('PC 1')
plt.ylabel('PC 2')
plt.legend(loc='lower left')
plt.tight_layout()
plt.show()

        可视化后,由散点图可以看出与第二主成分(y轴)相比,数据更多地沿着x轴(第一主成分)传播,与前面方差解释比的结论一致。 

五、使用sklearn进行实现  

 计算13个解释方差比。

from sklearn.decomposition import PCApca = PCA()
X_train_pca = pca.fit_transform(X_train_std)
pca.explained_variance_ratio_  #每个方差比例

解释方差比可视化。 

plt.bar(range(1, 14), pca.explained_variance_ratio_, alpha=0.5, align='center')
plt.step(range(1, 14), np.cumsum(pca.explained_variance_ratio_), where='mid')
plt.ylabel('Explained variance ratio')
plt.xlabel('Principal components')plt.show()

 定义降维后维度并标准化。

pca = PCA(n_components=2)  #降维后的特征数为2
X_train_pca = pca.fit_transform(X_train_std)
X_test_pca = pca.transform(X_test_std)
plt.scatter(X_train_pca[:, 0], X_train_pca[:, 1])
plt.xlabel('PC 1')
plt.ylabel('PC 2')
plt.show()

        PCA 是scikit-learn 的一个转换器类,我们首先用训练数据来拟合模型,然后用相同模型参数转换训练数据和测试数据。将PCA 类应用到葡萄酒训练数据集上,通过逻辑回归对转换后的样本进行分类,调用 plot_decision_regions函数实现决策区域的可视化。

from matplotlib.colors import ListedColormapdef plot_decision_regions(X, y, classifier, resolution=0.02):markers = ('s', 'x', 'o', '^', 'v')colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')cmap = ListedColormap(colors[:len(np.unique(y))])  #colors[:len(np.unique(y))] 的意思是根据类别数量选择对应数量的颜色。x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1  #X[:, 0] 表示提取特征向量 X 的所有行(样本),并只保留第一个维度的数值。x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution),  #x1_min 到 x1_max 步长为 resolution 的一维数组np.arange(x2_min, x2_max, resolution))#np.meshgrid 函数生成一个二维的网格坐标矩阵。Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)  #将 xx1 和 xx2 的二维网格坐标矩阵展平为一维#利用分类器的 predict 方法对展平后的特征向量进行预测,得到对应的类别标签。对于每个网格点,都得到了一个预测值。Z = Z.reshape(xx1.shape)plt.contourf(xx1, xx2, Z, alpha=0.4, cmap=cmap)plt.xlim(xx1.min(), xx1.max())plt.ylim(xx2.min(), xx2.max())for idx, cl in enumerate(np.unique(y)):  #表示对于每个唯一值 cl,使用变量 idx 来追踪它在数组中的索引plt.scatter(x=X[y == cl, 0], y=X[y == cl, 1],alpha=0.6, color=cmap(idx),edgecolor='black',marker=markers[idx], label=cl)
from sklearn.linear_model import LogisticRegressionpca = PCA(n_components=2)
X_train_pca = pca.fit_transform(X_train_std)
X_test_pca = pca.transform(X_test_std)lr = LogisticRegression(multi_class='ovr', random_state=1, solver='lbfgs')
lr = lr.fit(X_train_pca, y_train)
plot_decision_regions(X_train_pca, y_train, classifier=lr)
plt.xlabel('PC 1')
plt.ylabel('PC 2')
plt.legend(loc='lower left')
plt.tight_layout()
plt.show()

 训练数据的决策区域减少为两个主成分轴。

在测试数据集上同样绘制决策区域,可以得到样本的分类效果较好。

plot_decision_regions(X_test_pca, y_test, classifier=lr)
plt.xlabel('PC 1')
plt.ylabel('PC 2')
plt.legend(loc='lower left')
plt.tight_layout()
plt.show()

        将参数 n_components 设置为 None来初始化 PCA类,这样就可以保留所有的主成分,系统将返回排过序的所有主成分而不是进行降维。然后通过调用 explained_variance_ratio_属性访问解释方差比。

pca = PCA(n_components=None)
X_train_pca = pca.fit_transform(X_train_std)
pca.explained_variance_ratio_

这篇关于主成分分析(PCA)及葡萄酒数据集示例代码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/804722

相关文章

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Go标准库常见错误分析和解决办法

《Go标准库常见错误分析和解决办法》Go语言的标准库为开发者提供了丰富且高效的工具,涵盖了从网络编程到文件操作等各个方面,然而,标准库虽好,使用不当却可能适得其反,正所谓工欲善其事,必先利其器,本文将... 目录1. 使用了错误的time.Duration2. time.After导致的内存泄漏3. jsO

springboot循环依赖问题案例代码及解决办法

《springboot循环依赖问题案例代码及解决办法》在SpringBoot中,如果两个或多个Bean之间存在循环依赖(即BeanA依赖BeanB,而BeanB又依赖BeanA),会导致Spring的... 目录1. 什么是循环依赖?2. 循环依赖的场景案例3. 解决循环依赖的常见方法方法 1:使用 @La

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当

C#使用SQLite进行大数据量高效处理的代码示例

《C#使用SQLite进行大数据量高效处理的代码示例》在软件开发中,高效处理大数据量是一个常见且具有挑战性的任务,SQLite因其零配置、嵌入式、跨平台的特性,成为许多开发者的首选数据库,本文将深入探... 目录前言准备工作数据实体核心技术批量插入:从乌龟到猎豹的蜕变分页查询:加载百万数据异步处理:拒绝界面

用js控制视频播放进度基本示例代码

《用js控制视频播放进度基本示例代码》写前端的时候,很多的时候是需要支持要网页视频播放的功能,下面这篇文章主要给大家介绍了关于用js控制视频播放进度的相关资料,文中通过代码介绍的非常详细,需要的朋友可... 目录前言html部分:JavaScript部分:注意:总结前言在javascript中控制视频播放

Java中StopWatch的使用示例详解

《Java中StopWatch的使用示例详解》stopWatch是org.springframework.util包下的一个工具类,使用它可直观的输出代码执行耗时,以及执行时间百分比,这篇文章主要介绍... 目录stopWatch 是org.springframework.util 包下的一个工具类,使用它

Spring Boot 3.4.3 基于 Spring WebFlux 实现 SSE 功能(代码示例)

《SpringBoot3.4.3基于SpringWebFlux实现SSE功能(代码示例)》SpringBoot3.4.3结合SpringWebFlux实现SSE功能,为实时数据推送提供... 目录1. SSE 简介1.1 什么是 SSE?1.2 SSE 的优点1.3 适用场景2. Spring WebFlu

Java利用JSONPath操作JSON数据的技术指南

《Java利用JSONPath操作JSON数据的技术指南》JSONPath是一种强大的工具,用于查询和操作JSON数据,类似于SQL的语法,它为处理复杂的JSON数据结构提供了简单且高效... 目录1、简述2、什么是 jsONPath?3、Java 示例3.1 基本查询3.2 过滤查询3.3 递归搜索3.4

springboot security快速使用示例详解

《springbootsecurity快速使用示例详解》:本文主要介绍springbootsecurity快速使用示例,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝... 目录创www.chinasem.cn建spring boot项目生成脚手架配置依赖接口示例代码项目结构启用s