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
kngines9 分钟前
【字节跳动】数据挖掘面试题0007:Kmeans原理,何时停止迭代
人工智能·数据挖掘·kmeans
贾全19 分钟前
第十章:HIL-SERL 真实机器人训练实战
人工智能·深度学习·算法·机器学习·机器人
GIS小天34 分钟前
AI+预测3D新模型百十个定位预测+胆码预测+去和尾2025年7月4日第128弹
人工智能·算法·机器学习·彩票
我是小哪吒2.01 小时前
书籍推荐-《对抗机器学习:攻击面、防御机制与人工智能中的学习理论》
人工智能·深度学习·学习·机器学习·ai·语言模型·大模型
慕婉03071 小时前
深度学习前置知识全面解析:从机器学习到深度学习的进阶之路
人工智能·深度学习·机器学习
陈敬雷-充电了么-CEO兼CTO2 小时前
推荐算法系统系列>推荐数据仓库集市的ETL数据处理
大数据·数据库·数据仓库·数据挖掘·数据分析·etl·推荐算法
蓝婷儿2 小时前
Python 机器学习核心入门与实战进阶 Day 2 - KNN(K-近邻算法)分类实战与调参
python·机器学习·近邻算法
麻雀无能为力3 小时前
CAU数据挖掘 支持向量机
人工智能·支持向量机·数据挖掘·中国农业大学计算机
IT古董4 小时前
【第二章:机器学习与神经网络概述】04.回归算法理论与实践 -(3)决策树回归模型(Decision Tree Regression)
神经网络·机器学习·回归
烟锁池塘柳05 小时前
【大模型】解码策略:Greedy Search、Beam Search、Top-k/Top-p、Temperature Sampling等
人工智能·深度学习·机器学习