本篇内容介绍了“Python中怎么使用sklearn进行特征降维”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
特征降维
0维 标量
1维 向量
2维 矩阵
概念
降维是指在某些限定条件下，降低随机变量（特征）个数，得到一组“不相关”主变量的过程
注：正是因为在进行训练的时候，我们都是使用特征进行学习，如果特征本身存在问题或者特征之间相关性较强，对于算法学习预测会影响较大
降维的两种方式：
特征选择主成分分析（可以理解为一种特征提取的方式）
特征选择
①定义
数据中包含冗余或相关变量（或称特征、属性、指标等），旨在从原有特征中找出主要特征。
②方法
Filter(过滤式)：主要探究特征本身特点、特征与特征和目标值之间关联
方差选择法：低方差特征过滤
相关系数
Embedded(嵌入式)：算法自动选择特征（特征与目标值之间的关联）
决策树：信息熵、信息增益
正则化:L1、L2
深度学习：卷积等
③模块
sklearn.feature_selection
过滤式
①低方差特征过滤
删除低方差的一些特征
特征方差小：某个特征很多样本的值比较相近
特征方差大：某个特征很多样本的值都有差别
API
sklearn.feature_selection.VarianceThreshold(threshold=0.0)
-删除所有低方差特征
-Variance.fit_transform(X)
X:numpy array格式的数据[n_samples,n_features]
返回值：训练集差异低于threshold的特征将被删除。默认值是保留所有非零方差特征，即删除所有样本中具有相同值的特征
代码演示
from sklearn.feature_selection import VarianceThreshold
import pandas as pd
def variance_demo():
#1.获取数据
data=pd.read_csv("data.TXT")
print("data:
", data)
#2.实例化一个转换器类
transfer=VarianceThreshold(threshold=7)
#3.调用fit_transform
result=transfer.fit_transform(data)
print("result:
", result,result.shape)
return None②相关系数
皮尔逊相关系数（Pearson Correlation Coefficient）
反映变量之间相关关系密切程度的统计指标
公式
特点
相关系数的值介于-1与+1之间，即-1<=r<=+1,其性质如下：
当r>0时，表示两变量正相关，r<0时，两变量为负相关
当|r|=1时，表示两变量为完全相关，当r=0时，表示两变量间无相关关系
当0<|r|<1时，表示两变量存在一定程度的相关。且|r|越接近1，两变量间线性关系越密切；|r|越接近于0，表示两变量的线性相关越弱
一般可按三级划分：|r|<0.4为低度相关；0.4<=|r|<0.7为显著性相关；0.7<=|r|<1为高度线性相关
API
from scipy.stats import pearsonr -x:array -y:array -Returns:(Pearson`s correlation coefficient,p-value)
代码演示
from scipy.stats import pearsonr
def p_demo():
# 1.获取数据
data = pd.read_csv("data.TXT")
print("data:
", data)
# 2.计算两个变量之间的相关系数
r=pearsonr(data["one"],data["two"])
print("相关系数:
", r)
return None如果特征与特征之间相关性很高，通过以下方法处理：
①选取其中一个
②加权求和
③主成分分析
③主成分分析
定义
高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量
作用
是数据维数压缩，尽可能降低原数据维数（复杂度），损失少量信息
应用
回归分析或者聚类分析当中
API
sklearn.decomposition.PCA(n_components=None)
-将数据分解为较低维数空间
-n_components：
·小数：表示保留百分之多少的信息
·整数：减少到多少特征
-PCA.fit_transform(X)
X:numpy array格式的数据[n_samples,n_features]
-返回值：转换后指定维度的array
使用
from sklearn.decomposition import PCA
def pca_demo():
data=[[2,8,4,5],[6,3,0,8],[5,4,9,1]]
#1.实例化一个转换器类
transfer=PCA(n_components=2)
#2.调用fit_transform
result=transfer.fit_transform(data)
print("result:
",result)
return None