导语:
本文主要介绍了关于Python特征降维如何理解的相关知识,包括特征选择与降维的区别,以及python降维这些编程知识,希望对大家有参考作用。
说明
1、PCA是最经典实用的降维技术,尤其是辅助图形识别。
2. 用于降低数据集的维度,同时保持方差在数据集中的贡献特性。
保留低阶主成分,同时忽略高阶成分,这往往会保留数据中最重要的部分。
实例
from sklearn.feature_selection import VarianceThreshold
# 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]]
'''
本文教程操作环境:windows7系统、Python 3.9.1,DELL G3电脑。
本文为原创文章,版权归知行编程网所有,欢迎分享本文,转载请保留出处!
你可能也喜欢
- ♥ python time.clock()的错误解决方法09/20
- ♥ python3如何重新匹配满足条件的选项?10/03
- ♥ 在 python 中操作文件有多少个模块?10/21
- ♥ 是否必须实例化python调用方法?11/17
- ♥ 如何在 Python 中对字典列表进行排序12/29
- ♥ python和r语言的区别08/18
内容反馈