建网站开发,网站性能优化怎么做,设计网页步骤,做网站霸屏公司销售好做吗以鸢尾花数据集为例#xff0c;实现PLS-DA降维#xff0c;画出降维后数据的散点图并求其方差贡献率。
效果图 完整代码
# 导入所需库
import numpy as np
from sklearn.cross_decomposition import PLSRegression
from sklearn.datasets import load_iris
from sklearn.pre…以鸢尾花数据集为例实现PLS-DA降维画出降维后数据的散点图并求其方差贡献率。
效果图 完整代码
# 导入所需库
import numpy as np
from sklearn.cross_decomposition import PLSRegression
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt# 载入数据
iris load_iris()
X iris.data
y iris.target
print(X.shape)
print(y.shape)
# 标准化数据
X StandardScaler().fit_transform(X)# 定义PLS-DA对象并拟合数据
plsda PLSRegression(n_components2)
plsda.fit(X, y)# 得到PLS-DA降维后的数据
X_plsda plsda.transform(X)
print(X_plsda.shape)
# 绘制散点图
colors [blue, red, green]
labels [Setosa, Versicolor, Virginica]
for i in range(len(colors)):x X_plsda[:, 0][y i]y_plot X_plsda[:, 1][y i]plt.scatter(x, y_plot, ccolors[i], labellabels[i])# 输出成分贡献率
# 计算PLS-DA成分贡献率# 计算PLSDA的旋转系数
plsda_components plsda.x_rotations_
print(plsda_components)
plsda_scores X_plsda
# 计算PLSDA成分解释的方差比例
variance_explained np.var(plsda_scores, axis0) # 计算在PLSDA成分上解释的方差
print(variance_explained shape:, variance_explained.shape)
print(variance_explained:, variance_explained)
total_variance np.var(X, axis0) # 计算在原始数据上总方差的和
print(total_variance shape:, total_variance.shape)
print(total_variance:, total_variance)
plsda_variance_ratio variance_explained / total_variance.sum()
print(total_variance.sum():, total_variance.sum()) # 计算PLSDA成分解释的方差比例
# print(plsda_variance_ratio)
# 输出成分贡献率
for i, ratio in enumerate(plsda_variance_ratio):print(fPLS-DA Component {i 1}: {ratio * 100:.2f}%)plt.xlabel(LV1 ({} %).format(round(plsda_variance_ratio[0] * 100, 2)))
plt.ylabel(LV2 ({} %).format(round(plsda_variance_ratio[1] * 100, 2)))plt.legend()
plt.show() 代码解析
主要解析求成分贡献率的过程
plsda_components plsda.x_rotations_
plsda_scores X_plsda
variance_explained np.var(plsda_scores, axis0)
total_variance np.var(X, axis0)
plsda_variance_ratio variance_explained / total_variance.sum() plsda.x_rotations_plsda是进行PLS-DA的对象plsda.x_rotations_是PLS-DA模型中X变量即自变量的旋转矩阵表示如何将原始数据X映射到新的降维空间中。将该旋转矩阵存储到变量plsda_components中。对于此数据集得到的plsda_components是4x2的矩阵。 X_plsda这是使用PLS-DA降维后的X变量数据集是150×2的矩阵。 variance_explained np.var(plsda_scores, axis0)计算每个主成分即降维后的新变量在降维后数据中的方差解释比例存储到变量variance_explained中。这里使用np.var()函数计算方差。由于本次代码是使用PLS-DA将数据降到2维故得到的variance_explained是一个包含2个元素的一维数组[2.89312513 0.15504989]表示每个特征的方差之和。 total_variance np.var(X, axis0)计算原始数据X中每个变量的总方差存储到变量total_variance中。原始数据是150×4的矩阵故total_variance是一个包含4个元素的一维数组[1. 1. 1. 1.]。 plsda_variance_ratio variance_explained / total_variance.sum()计算每个主成分在总方差中的方差解释比例即PLS-DA的方差解释比例。将结果存储到变量plsda_variance_ratio中。total_variance.sum()是求总方差的和即每个变量的方差之和。这里total_variance.sum()等于3.9999999999999987而不是4是由于浮点数的存储方式在某些情况下计算机无法精确表示某些小数。所以此计算步骤为[2.89312513/3.9999999999999987, 0.15504989/3.9999999999999987]得到[0.72328128 0.03876247]也就是每个主成分在总方差中的方差解释比例。
