机器学习9-PCA原理与实现：数据集与

机器学习（9）-PCA原理与实现：数据集与源码下载 机器学习（9）-PCA原理与实现：数据集与源码下载 机器学习（9）-PCA原理与实现：数据集与源码下载

# PCA

# Importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

# Importing the dataset
dataset = pd.read_csv（‘Wine.csv‘）
X = dataset.iloc[: 0:13].values
y = dataset.iloc[: 13].values

# Splitting the dataset into the Training set and Test set
from sklearn.model_selection import train_test_split
X_train X_test y_train y_test = train_test_split（X y test_size = 0.2 random_state = 0）

# Feature Scaling
from sklearn.preprocessing import StandardScaler
sc = StandardScaler（）
X_train = sc.fit_transform（X_train）
X_test = sc.transform（X_test）

# Applying PCA
from sklearn.decomposition import PCA
pca = PCA（n_components = 2）
X_train = pca.fit_transform（X_train）
X_test = pca.transform（X_test）
explained_variance = pca.explained_variance_ratio_

# Fitting Logistic Regression to the Training set
from sklearn.linear_model import LogisticRegression
classifier = LogisticRegression（random_state = 0）
classifier.fit（X_train y_train）

# Predicting the Test set results
y_pred = classifier.predict（X_test）

# Making the Confusion Matrix
from sklearn.metrics import confusion_matrix
cm = confusion_matrix（y_test y_pred）

# Visualising the Training set results
from matplotlib.colors import ListedColormap
X_set y_set = X_train y_train
X1 X2 = np.meshgrid（np.arange（start = X_set[: 0].min（） - 1 stop = X_set[: 0].max（） + 1 step = 0.01）
                     np.arange（start = X_set[: 1].min（） - 1 stop = X_set[: 1].max（） + 1 step = 0.01））
plt.contourf（X1 X2 classifier.predict（np.array（[X1.ravel（） X2.ravel（）]）.T）.reshape（X1.shape）
             alpha = 0.75 cmap = ListedColormap（（‘red‘ ‘green‘ ‘blue‘）））
plt.xlim（X1.min（） X1.max（））
plt.ylim（X2.min（） X2.max（））
for i j in enumerate（np.unique（y_set））:
    plt.scatter（X_set[y_set == j 0] X_set[y_set == j 1]
                c = ListedColormap（（‘red‘ ‘green‘ ‘blue‘））（i） label = j）
plt.title（‘Logistic Regression （Training set）‘）
plt.xlabel（‘PC1‘）
plt.ylabel（‘PC2‘）
plt.legend（）
plt.show（）

# Visualising the Test set results
from matplotlib.colors import ListedColormap
X_set y_set = X_test y_test
X1 X2 = np.meshgrid（np.arange（start = X_set[: 0].min（） - 1 stop = X_set[: 0].max（） + 1 step = 0.01）
                     np.arange（start = X_set[: 1].min（） - 1 stop = X_set[: 1].max（） + 1 step = 0.01））
plt.contourf（X1 X2 classifier.predict（np.array（[X1.ravel（） X2.ravel（）]）.T）.reshape（X1.shape）
             alpha = 0.75 cmap = ListedColormap（（‘red‘ ‘green‘ ‘blue‘）））
plt.xlim（X1.min（） X1.max（））
plt.ylim（X2.min（） X2.max（））
for i j in enumerate（np.unique（y_set））:
    plt.scatter（X_set[y_set == j 0] X_set[y_set == j 1]
                c = ListedColormap（（‘red‘ ‘green‘ ‘blue‘））（i） label = j）
plt.title（‘Logistic Regression （Test set）‘）
plt.xlabel（‘PC1‘）
plt.ylabel（‘PC2‘）
plt.legend（）
plt.show（）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        2840  2016-12-23 05:03  pca.py
     文件       11452  2018-10-26 20:35  Wine.csv