計算過程參考：《機器學習——主成分分析（PCA）》

程式碼：

X = np.array([[-1, -2], [-1, 0], [0, 0], [2, 1], [0, 1]])
print(X)

def PCA(X,n):
    #轉置
    X = np.transpose(X)
    #求特徵的均值
    X_mean = np.mean(X,axis =1) # 計算每一行的均值
    X = X - X_mean.reshape(-1,1)
    #求協方差
    cov_mat = 1.0/(X.shape[1])*np.dot(X,X.T)
    # 將協方差進行特徵值分解 第一個返回值是特徵值矩陣，第二個返回值是特徵向量矩陣
 

    values,vectors = np.linalg.eig(cov_mat)
    print(values)
    print(vectors)
    
    # 按特徵值將特徵向量進行排序
    # 拼接一個特徵值和特徵向量一起的矩陣
    eig_mat = [(np.abs(values[i]),vectors[:,i]) for i in range(len(X))]
    print(eig_mat)
    # 排序
    eig_mat.sort(reverse=True)
    # 拼接WT矩陣 降維後的權重矩陣，只保留要保留的列
    WT = np.array([_[1] for
 
 _ in eig_mat[:n]])
    print(WT)

    # 對X進行轉換，降維
    return np.dot(WT,X)


n=1
PCA(X,n)

因上求緣，果上努力~~~~ 作者：每天卷學習，轉載請註明原文連結：https://www.cnblogs.com/BlairGrowing/p/15706251.html