机器学习算法：降维算法 | Python 和 R 中的代码实现

在过去 4-5 年中，所有可能过程中的数据提取都急剧增加。公司/政府机构/研究机构不仅提供新的来源，还获得详细的数据。

示例：电子商务公司捕获有关其客户的更多详细信息，例如人口统计、网络爬行历史记录、喜欢和不喜欢、购买历史记录、评论和更多信息，以超越最近的杂货店老板的范围，为他们提供更多个性化信息。头脑。

作为数据科学家，我们提供的数据包含许多特征，这些特征似乎适合构建良好的鲁棒模型，但也存在挑战。如何识别1000或2000个重要变量？在这种情况下，它可以与各种其他算法一起使用，例如决策树、随机森林、主成分分析、因子分析、基于相关矩阵的识别、缺失值比率等。

Python代码

#Import Library
from sklearn import decomposition
#Assumed you have training and test data set as train and test
# Create PCA obeject pca= decomposition.PCA(n_components=k) #default value of k =min(n_sample, n_features)
# For Factor analysis
#fa= decomposition.FactorAnalysis()
# Reduced the dimension of training dataset using PCA
train_reduced = pca.fit_transform(train)
#Reduced the dimension of test dataset
test_reduced = pca.transform(test)
#For more detail on this, please refer  this link.

R语言代码

library(stats)
pca <- princomp(train, cor = TRUE)
train_reduced  <- predict(pca,train)
test_reduced  <- predict(pca,test)