1 PCA 主成分分析

理论

PCA（Principal Component Analysis）

4FD14774-4858-4664-83EA-ACEC694B869F.png image.png 划重点：
线性变换=>新特征轴可由原始特征轴线性变换表征
线性无关=>构建的特征轴是正交的
主要线性分量（或者说是主成分）=>方差加大的方向
PCA算法的求解就是找到主要线性分量及其表征方式的过程
相应的，PCA解释方差并对离群点很敏感：少量原远离中心的点对方差有很大的影响，从而也对特征向量有很大的影响。
[PCA参考教程]https://blog.csdn.net/hustqb/article/details/78394058

• 具体使用代码

from sklearn.decomposition import PCA #主成分分析
#降维：对于数据而言，如果特征属性比较多，在构建过程中，会比较复杂，这个时候考虑将多维（高维）映射到低维的数据
#常用的方法：
#PCA：主成分分析（无监督）
#LDA：线性判别分析（有监督）类内方差最小，人脸识别，通常先做一次pca

# 将数据降低到n_components给定的维度
pca = PCA(n_components=2)#构建一个pca对象，设置最终维度是2维
# #这里是为了后面画图方便，所以将数据维度设置了2维，一般用默认不设置参数就可以

x_train = pca.fit_transform(x_train)#训练并转换
x_test = pca.transform(x_test)#转换

2 LDA 线性判别分析

理论

LDA (Linear Discriminate Analysis) BFDBD5AB-1D6F-49BA-9CD0-C4E09A970D17.png CE81BC9A-7F33-4411-B274-55F63056F582.png 37DDA763-41A7-4F85-ACC3-99039F2EEC09.png

[LDA参考资料]https://blog.csdn.net/weixin_40604987/article/details/79615968