Musk数据集 使用PCA和SVD方法进行特征提取 并报告获得的特征值以及特征向量结果
从UCI机器学习资源库中下载Musk数据集。在此数据集上分别使用PCA和SVD方法进行特征提取，并报告获得的特征值以及特征向量结果，对数据属性进行分析，使用盒图分别对获得的最优属性进行分析和对比。
import pandas as pd
import os
from numpy import *
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sbn
sbn.set(color_codes = True)
plt.rcParams['axes.unicode_minus'] = False
from scipy.stats import kstest
from sklearn.preprocessing import LabelEncoder
from sklearn import preprocessing
import pyecharts
from matplotlib import pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
文件下载
资源详情
[{"title":"（ 6 个子文件 1.61MB ） Musk数据集 使用PCA和SVD方法进行特征提取 并报告获得的特征值以及特征向量结果 ","children":[{"title":"PAC-and-SVD-MUSK--main","children":[{"title":"SVD.py <span style='color:#111;'> 1.14KB </span>","children":null,"spread":false},{"title":"clean2.data.Z <span style='color:#111;'> 1.40MB </span>","children":null,"spread":false},{"title":"PAC.py <span style='color:#111;'> 2.16KB </span>","children":null,"spread":false},{"title":"clean1.data.Z <span style='color:#111;'> 108.14KB </span>","children":null,"spread":false},{"title":"clean1.data <span style='color:#111;'> 321.14KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 289B </span>","children":null,"spread":false}],"spread":true}],"spread":true}]
评论信息
其他资源
- 立体像对的空间前方交会-点投影系数法+共线方程严密法（C# winform）
- 基于51单片机的自动量程数字电压表
- 大学计算机基础课件（国防科技大学）
- Unity 科幻风格的全息交互界面UI（内含多个Demo）
- 基于GEC6818的嵌入式智能监控系统设计
- OPENVPX_VITA 65-2010.pdf
- HHT变换的三种方法+Matlab程序
- 51单片机音乐播放器的设计，在LCD12864液晶显示频谱高低。程序+原理图
- 仿淘宝首页html
- C# Socket_服务端向指定的客户端发送消息(包含服务器)
- ebaz4205.tar.gz
- uSky 20 Beta uSkyPro.unitypackage
- LPC2478核心板AD设计硬件原理图+PCB，及配套开发板ALTIUM原理图文件.rar
- shiro_springmvc_demo
- ASP.NET毕业设计_重庆旅游网
- 双谱工具箱_安装文件.zip
- 完整的电子时钟万年历（LCD12846+DS1302+BS18B20+按键调整gn）
- Convex Optimization 教材习题答案
- VS2015编译好的64位GDAL-2.20库（集成了proj-5.1.0、geos-3.6.3、FileGDB_API-1.5）
- 戈宝军版电机课后习题与学习指导答案
- wpf Expander 动画效果
- ISCCC-ISMS审核员教程-案例练习册
- Quality Center测试专用
免责申明
【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论 【只为小站】 经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明