您是否期望线性分类器将 2D-PC space 中的两个 类 分开？
Do you expect a linear classifier to separate the two classes in the 2D-PC space?
我总共有183个特征，我已经应用了PCA来降低维度，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 space 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")
Here is the scatter plot.
如果你想根据PCA降维后的两个特征对它们进行分类，那么显然你不能指望线性分类器将它们分开，如图所示。
但是，有可能在另一个 space 中找到一个线性分类器，该分类器是由一些基于所有特征的内核计算得到的。
此 link 中有一个完美的示例，用于对圆内和圆外的点进行分类的内核技巧。 https://medium.com/@ankitnitjsr13/math-behind-svm-kernel-trick-5a82aa04ab04
通用内核技巧可以很容易地集成到 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
我总共有183个特征，我已经应用了PCA来降低维度，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 space 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")
Here is the scatter plot.
如果你想根据PCA降维后的两个特征对它们进行分类，那么显然你不能指望线性分类器将它们分开，如图所示。
但是，有可能在另一个 space 中找到一个线性分类器，该分类器是由一些基于所有特征的内核计算得到的。
此 link 中有一个完美的示例，用于对圆内和圆外的点进行分类的内核技巧。 https://medium.com/@ankitnitjsr13/math-behind-svm-kernel-trick-5a82aa04ab04
通用内核技巧可以很容易地集成到 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