原文链接：http://tecdat.cn/?p=23599 

降维是在咱们解决蕴含过多特色数据的大型数据集时应用的，进步计算速度，缩小模型大小，并以更好的形式将微小的数据集可视化。这种办法的目标是保留最重要的数据，同时删除大部分的特色数据。 

在这个教程中，咱们将简要地学习如何用Python中的稠密和高斯随机投影以及PCA办法来缩小数据维度。读完本教程后，你将学会如何通过应用这些办法来升高数据集的维度。本教程包含。

  1. 筹备数据
  2. 高斯随机投影
  3. 稠密随机投影
  4. PCA投影
  5. MNIST数据投射

咱们将从加载所需的库和函数开始。

筹备数据

首先，咱们将为本教程生成简略的随机数据。在这里，咱们应用具备1000个特色的数据集。为了将维度办法利用于实在数据集，咱们还应用Keras API的MNIST手写数字数据库。MNIST是三维数据集，这里咱们将把它重塑为二维的。

print(x.shape)

mnist.load_data()print(x_train.shape)

 reshape(x_train,)print(x_mnist.shape)

 

高斯随机投影

高斯随机法将原始输出空间投射到一个随机生成的矩阵上升高维度。咱们通过设置重量数字来定义该模型。在这里，咱们将把特色数据从1000缩减到200。

grp.fit_transform(x) print(gshape)

依据你的剖析和指标数据，你能够设置你的指标成分。

稠密随机投影

稠密随机办法应用稠密随机矩阵投影原始输出空间以缩小维度。咱们定义模型，设置成分的数量。在这里，咱们将把特色数据从1000缩减到200。

srp\_data = srp.fit\_transform(x) print(srp_data.shape)

依据你的剖析和指标数据，你能够设置你的指标成分。

 

PCA投影

咱们将应用PCA合成，通过设置成分数来定义模型。在这里，咱们将把特色数据从1000缩减到200。

 pca.fit_transform(x) print(pca_data.shape)

依据你的剖析和指标数据，你能够设置你的指标成分。
 

MNIST数据的投影

在应用高斯、稠密随机和PCA办法学习降维后，当初咱们能够将这些办法利用于MNIST数据集。为测试目标，咱们将设置2个成分并利用投影。

#对2个成分的稠密随机投影srp.fit\_transform(x\_mnist)df_srp\["comp1"\] = z\[:,0)df_srp\["comp2"\] = z\[:,1\] 。# 高斯随机投射在2个成分上fit\_transform(x\_mnist)# 对2个成分进行PCAPCA(n=2)
咱们将通过可视化的形式在图中查看对于预测的后果。``````sns.scatterplot(x="comp-1", y="comp-2")

该图显示了MNIST数据的变动维度。色彩定义了指标数字和它们的特色数据在图中的地位。

在本教程中，咱们曾经简略理解了如何用稠密和高斯随机投影办法以及Python中的PCA办法来缩小数据维度。 

最受欢迎的见解

1.matlab偏最小二乘回归(PLSR)和主成分回归(PCR)

2.R语言高维数据的主成分pca、 t-SNE算法降维与可视化剖析

3.主成分剖析(PCA)基本原理及剖析实例

4.基于R语言实现LASSO回归剖析

5.应用LASSO回归预测股票收益数据分析

6.r语言中对lasso回归，ridge岭回归和elastic-net模型

7.r语言中的偏最小二乘回归pls-da数据分析

8.r语言中的偏最小二乘pls回归算法

9.R语言线性判别分析（LDA），二次判别分析（QDA）和正则判别分析（RDA）