تمرین پایتون - 8860
چهار سال پیش منتشر شده
تعداد بازدید: 164
کد پروژه: 234946
شرح پروژه
سلام
برای داده های اکسل نمودار PCA در پایتون با الگوریتم SVD ترسیم کنید
# 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()
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
4روز
وضعیت مناقصه
بسته
درباره کارفرما
عضویت نه سال پیش
