PCA降维可视化：鸢尾花数据集示例

使用PCA对鸢尾花数据集进行降维并可视化

这段代码使用PCA对著名的鸢尾花数据集进行降维，并将降维后的数据可视化。

代码解析:

导入库和数据:

k = 2
pca = PCA(n_components=k)

iris_fulldata = load_iris()
iris_dataset = iris_fulldata.data

print('加载鸢尾花数据....')

首先，设置参数 k=2，表示要将数据降维到2维。
然后，创建PCA对象并设置n_components为2，即指定降维后的维度数。
使用 load_iris() 加载鸢尾花数据集，并提取数据特征到iris_dataset中。

拟合PCA模型:

pca.fit(iris_dataset)
print('平均值 = ', pca.mean_)

print('方差比例 = ', pca.explained_variance_ratio_)
print('主成分 = ', pca.components_)

使用 fit 方法训练PCA模型，将鸢尾花数据集作为输入数据。
pca.mean_ 表示数据的平均值，它用于中心化数据。
pca.explained_variance_ratio_ 表示每个主成分解释的方差比例，用于评估降维后的信息损失。
pca.components_ 表示主成分，它是一个矩阵，每一行代表一个主成分的方向。

降维并可视化:

X = pca.transform(iris_dataset)

species_value = 2 
print('选择: Iris-',iris_fulldata['target_names'][species_value],'作为真实数据分布')
species_ind = [i for i, e in enumerate(iris_fulldata['target']) if e == species_value]
plt.scatter(X[:,0], X[:,1],c=iris_fulldata['target'])
plt.show()

使用 transform 方法将原始数据降维到2维，并将结果保存到X中。
然后，选择 Iris-versicolor (species_value=2) 作为真实数据分布进行可视化。
使用 plt.scatter 绘制降维后的数据，并将不同的鸢尾花类别用不同的颜色表示。

数据归一化:

scaler = MinMaxScaler()
scaler.fit(X)
X = scaler.transform(X)
plt.scatter(X[:,0], X[:,1],c=iris_fulldata['target'])
plt.show()

使用 MinMaxScaler 将数据归一化到0-1之间，以便更好地可视化。
最后，再次使用 plt.scatter 绘制归一化后的数据，以便更好地观察数据分布。

总结:

这段代码演示了如何使用PCA对鸢尾花数据集进行降维，并可视化降维后的数据。它展示了如何使用PCA进行降维、计算主成分、提取特征值和方差比例，并使用matplotlib库对降维后的数据进行可视化。代码也体现了数据预处理的重要性，例如数据归一化可以帮助我们更好地可视化数据分布。