如何解决您是否期望线性分类器将 2D-PC 空间中的两个类分开？
我总共有 183 个特征，我已经应用 PCA 来减少维度，然后我做了一个散点图。现在的问题是：“直观地分析散点图。您是否期望线性分类器将 2D-PC 空间中的两个类分开？”
from sklearn.decomposition import PCA
pca = PCA(n_components = 3)
pca.fit(scaled_data)
x_pca = pca.transform(scaled_data)
下面是散点图代码：
plt.figure(figsize =(6,6))
plt.scatter(x_pca[:,0],x_pca[:,1],c = y_train)
plt.xlabel('First Principal Component')
plt.ylabel('Second Principal Component')
legend1 = plt.legend(*scatter.legend_elements(),loc="upper right",title="Classes")
解决方法
如果您想根据 PCA 后降维结果的两个特征对它们进行分类，那么显然您不能期望线性分类器将它们分开，如图所示。
然而，有可能在另一个空间中找到一个线性分类器，该分类器由一些基于所有特征的内核计算。
这个链接中有一个完美的例子，用于对圆内外的点进行分类的内核技巧。 https://medium.com/@ankitnitjsr13/math-behind-svm-kernel-trick-5a82aa04ab04
通用内核技巧可以轻松集成到 ml 分类器中。大多数框架都支持它，但你必须尝试不同的内核，看看哪个最有效
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
