: پروژه پایتون(17660)+
پنج سال پیش منتشر شده
تعداد بازدید: 188
کد پروژه: 234399
شرح پروژه
سلام من یه فایل دارم میخواستم در پایتون با الگوریتم SVD یا NIPALS ترسیم نمودار PCA کنم کد این آنالیز در مطلب هست میخواستم ببینم برای شما مقدور هست و هزینه چقدر میشه avataravatar
اپراتور 2
پاسخگوی سوالات شما هستیم
شنبه 8 خرداد 1400
عرض سلام و احترام
تمایل دارید در این مورد آموزش ببینید یا براتون رسم بشه؟
سلام
نه فقط ترسیم
من کد PCA-SVD رو حتی دارم ولی متاسفانه اجرا نمیشه
لطفا شرح پروژه تون و کدتون رو ارسال میفرمایید
یک‌شنبه 9 خرداد 1400
# Data Manipulation
import numpy as np
import pandas as pd
# Visualization
import matplotlib.pyplot as plt
plt.style.use('seaborn-whitegrid')
# SVD Computation
from scipy.linalg import svd
# Get values from your dataframe (train)
# And get them from start to the range of columns
# (there are 272 columns)
X = train.get_values()[:,range(0,271)]
# Normalize data, subtract mean and divide by std
N = len(X)
Y = X - np.ones((N,1))*X.mean(axis=0)
Y = Y*(1/np.std(Y,0))
# compute the singular value decomposition with svd
U,S,V = svd(Y,full_matrices=False)
# Compute variance explained by principal components
rho = (S*S) / (S*S).sum()
# Set threshold for how much variance you at least want
threshold = 0.95
# Plot variance explained
# Magic
plt.figure()
plt.plot(range(1,len(rho)+1),rho,'x-')
plt.plot(range(1,len(rho)+1),np.cumsum(rho),'o-')
plt.plot([1,len(rho)],[threshold, threshold],'k--')
plt.title('Variance explained by principal components');
plt.xlabel('Principal component');
plt.ylabel('Variance explained');
plt.legend(['Individual','Cumulative','Threshold'])
plt.grid()
plt.show()
8860
این پروژه شامل 1 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.
مهارت ها و تخصص های مورد نیاز
مهلت برای انجام
2روز
وضعیت مناقصه
بسته
درباره کارفرما
عضویت سیزده سال پیش
