1、降维作用
数据在低维下更容易处理、更容易使用；相关特征，特别是重要特征更能在数据中明确的显示出来；如果只有两维或者三维的话，更便于可视化展示；去除数据噪声降低算法开销 import numpy as np from sklearn.datasets import load_iris from sklearn.decomposition import PCA import matplotlib.pyplot as plt ir=load_iris() data=ir.data target=ir.target result=PCA(n_components=2).fit_transform(data) red_x,red_y=[],[] blue_x,blue_y=[],[] green_x,green_y=[],[] for i in range(len(result)): if target[i]==0: red_x.append(result[i][0]) red_y.append(result[i][1]) elif target[i]==1: blue_x.append(result[i][0]) blue_y.append(result[i][1]) elif target[i]==2: green_x.append(result[i][0]) green_y.append(result[i][1]) # plt.figure(figsize=(5,12)) # plt.subplot(1,3,1) plt.scatter(red_x,red_y,c="red") # plt.subplot(1,3,2) plt.scatter(blue_x,blue_y,c="blue") # plt.subplot(1,3,3) plt.scatter(green_x,green_y,c="green") plt.show()