在数据集上通过聚类实现特征降维

分享一个通过聚类算法对数据特征进行聚类从而实现降维的代码

python 复制代码
import numpy as np
from sklearn import datasets, cluster
digits = datasets.load_digits()
images = digits.images
X = np.reshape(images, (len(images), -1))
agglo = cluster.FeatureAgglomeration(n_clusters=32)
agglo.fit(X)
FeatureAgglomeration(n_clusters=32)
X_reduced = agglo.transform(X)
X_reduced.shape

以下是代码讲解:

1.导入numpy库和机器学习库的数据集、聚类算法模块

python 复制代码
import numpy as np
from sklearn import datasets, cluster

2.加载手写数字数据集

python 复制代码
digits = datasets.load_digits()

这行代码从 sklearn.datasets 模块中加载了手写数字数据集,该数据集包含8x8像素的灰度图像和对应的标签(0到9)。

3.获取图像数据

python 复制代码
images = digits.images

digits.images 是一个形状为 (1797, 8, 8) 的数组,其中 1797 是样本数量,每个样本是一个 8x8 的灰度图像。

4.将图像数据重塑为二维数组

python 复制代码
X = np.reshape(images, (len(images), -1))

这行代码将每个 8x8 的图像展平成一个长度为64的一维向量,因此 X 的形状变为 (1797, 64)。

5.创建并拟合 FeatureAgglomeration 对象

python 复制代码
agglo = cluster.FeatureAgglomeration(n_clusters=32)
agglo.fit(X)

这里创建了一个 FeatureAgglomeration 对象,指定要生成的特征数为32。然后使用 fit 方法在数据 X 上训练这个模型。

6.转换数据以减少特征维度

python 复制代码
X_reduced = agglo.transform(X)

这行代码使用训练好的 FeatureAgglomeration 模型将原始数据 X 转换为一个具有32个特征的新数据集 X_reduced。

7.查看转换后的数据形状

python 复制代码
X_reduced.shape

这行代码输出 X_reduced 的形状。由于我们指定了 n_clusters=32,所以 X_reduced 的形状应该是 (1797, 32),即有1797个样本,每个样本有32个特征。

由此将手写数字图像数据从64维降到32维,通过特征聚合的方法实现降维。

可以在自己的数据集上试试~!

相关推荐
青春不败 177-3266-05202 小时前
MATLAB近红外光谱分析技术及实践技术应用
随机森林·机器学习·支持向量机·matlab·卷积神经网络·遗传算法·近红外光谱
NeoFii7 小时前
Day 22: 复习
机器学习
巫婆理发2229 小时前
强化学习(第三课第三周)
python·机器学习·深度神经网络
Blossom.11810 小时前
基于深度学习的图像分类:使用Capsule Networks实现高效分类
人工智能·python·深度学习·神经网络·机器学习·分类·数据挖掘
Coovally AI模型快速验证12 小时前
数据集分享 | 智慧农业实战数据集精选
人工智能·算法·目标检测·机器学习·计算机视觉·目标跟踪·无人机
GG向前冲13 小时前
机器学习对中特估股票关键特征选取的应用与研究
人工智能·机器学习·投资组合
Re_Yang0914 小时前
数学专业转型数据分析竞争力发展报告
数据挖掘·数据分析
workflower14 小时前
数据分析前景
算法·数据挖掘·数据分析·需求分析·软件需求
计算机sci论文精选15 小时前
CVPR 2024 3D传感框架实现无监督场景理解新纪元
人工智能·机器学习·计算机视觉·3d·cvpr·传感技术
go546315846517 小时前
Python点阵字生成与优化:从基础实现到高级渲染技术
开发语言·人工智能·python·深度学习·分类·数据挖掘