记录从准研一假期自学PYTHON的全过程day41（降维，机器学习）

携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第31天，点击查看活动详情

也是暑假自学python的第41天

今天继续昨天的学习：

降维

降维：降维的效果就是将特征数变少，降维可以提高模型训练速度。

删除低方差算法var（）：

from sklearn.feature_selection import VarianceThreshold

def var():
    """
    特征选择-删除低方差的特征
    :return: None
    """
    #默认只删除方差为0,threshold是方差阈值，删除比这个值小的那些特征
    var = VarianceThreshold(threshold=0)

    data = var.fit_transform([[0, 2, 0, 3],
                              [0, 1, 4, 3],
                              [0, 1, 1, 3]])

    print(data)
var()

var = VarianceThreshold(threshold=0)这句代码的作用就是设置threshold为方差阈值，当threshold=0时候就删除方差为0的那一列数据，当threshold=1的时候就删除方差为1的那一列数据。

输出的结果如下：

上图就是删除方差为0的结果。

如果删除了低方差的列，那么如何知道剩余那一列的编号呢？

这个时候需要用到var自有的方法：

var.get_support(True)

具体实现如下:

print('The surport is %s' % var.get_support(True))

输出的结果如下：

使用pca降维

pca算法可以将二维将为一维，可以将三维降为二维，sklearn中使用pca进行降维，将二维降为一维的过程中，将二维中的点，通过pca算法找到一条直线，这条直线就是所有点到这条直线垂直距离最短的来得到确定。

pca的算法如下：

def pca():
    """
    主成分分析进行特征降维
    :return: None
    """
    # n_ components:小数 0~1 90% 业界选择 90~95%
    #
    # 整数   减少到的特征数量
    pca = PCA(n_components=0.9)
    data = pca.fit_transform([[2, 8, 4, 5], [6, 3, 0, 8], [5, 4, 9, 1]])

    print(data)

    return None
pca()

输出的结果如下：

机器学习

分为分类问题/回归问题

机器学习算法分类：

1.监督学习： 分类，k-邻近算法，贝叶斯分类，决策树与随机森林，逻辑回归，神经网络，

回归：线性回归，岭回归