广西网站建设路,国内响应式网站案例,百度seo找哪里,南充房产网签备案查询目录 1.算法核心思想#xff1a; 2.算法核心代码#xff1a; 3.算法分类效果#xff1a; 1.算法核心思想#xff1a;
1.设置降维后主成分的数目为2
2.进行数据降维
3.设置main_factors1个划分类型
4.根据组分中的值进行分类
5.绘制出对应的图像 2.算法核心代码#xff1a…目录 1.算法核心思想 2.算法核心代码 3.算法分类效果 1.算法核心思想
1.设置降维后主成分的数目为2
2.进行数据降维
3.设置main_factors1个划分类型
4.根据组分中的值进行分类
5.绘制出对应的图像 2.算法核心代码
#导入matplotlib库和sklearn的一些函数
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
from sklearn.datasets import load_iris#导入莺尾花数据集作为数据来源
test_dataload_iris()
xtest_data.data
ytest_data.target
#进行PCA算法的优化
#1.设置降维后主成分的数目为2
main_factors2
data_pcaPCA(main_factors)
#2.进行数据降维
data_reducedata_pca.fit_transform(x)
#2.设置main_factors1个划分类型
x_red[]
y_red[]
x_blue[]
y_blue[]
x_yellow[]
y_yellow[]
#3.根据组分中的值进行分类
#计算多少次分类并执行
numberlen(data_reduce)
for i in range(number):if y[i]1:x_red.append(data_reduce[i][0])y_red.append(data_reduce[i][1])elif y[i]0:x_blue.append(data_reduce[i][0])y_blue.append(data_reduce[i][1])else:x_yellow.append(data_reduce[i][0])y_yellow.append(data_reduce[i][1])
#4.绘制出对应的图像
plt.scatter(x_red,y_red,colorr,markerx)
plt.scatter(x_blue,y_blue,colorb,markero)
plt.scatter(x_yellow,y_yellow,colory,marker*)
plt.title(PCA Classified Image)
plt.xlabel(X distribution of data)
plt.ylabel(Y distribution of data)
plt.show() 3.算法分类效果
