利用PCA可视化异常点
异常 利用 可视化 PCA
2023-09-11 14:21:07 时间
异常点往往是由于某一个特征或者多个特征数值异常。但是对于多维度特征无法直接进行可视化观测异常点,利用PCA技术进行维度缩减,可以在二维或者三维空间上进行可视化展示。
原数据如下:
from sklearn.decomposition import PCA pca=PCA(n_components=2) #压缩到二维空间中 x_pca=pca.fit_transform(df_test) x_pca.shape
(6, 2)
画出散点图,找出异常点
plt.scatter(x_pca[:,0],x_pca[:,1],alpha=0.8,edgecolors='none') plt.show() pca.explained_variance_ratio_.sum()
找出异常点的索引号
l=[] for i,item in enumerate(x_pca): if item[0]>-25 or item[1]>0: l.append(i) print(i)
4 5
总结:
从原数据我们直观看数据,就发现第4和第5行数据属于异常,通过画图找出来的异常点与初步判断一致。
相关文章
- Android NDK开发篇(六):Java与原生代码通信(异常处理)
- Linux SMB访问异常排查
- Java -- 异常的捕获及处理 -- 目录
- c# 使用MS SqlServer,连接成功,但是还报异常A connection was successfully established with the server, but then an error occurred during the login process. (provider: SSL Provider, error: 0。。。。
- 软件事务内存导论(十)处理写偏斜异常
- 八股文系列:Java中的异常和错误
- 浅析Vue3动态组件怎么进行异常处理
- (转)C#中的那些全局异常捕获
- Golang错误和异常处理的正确姿势
- spring mvc controller中的异常封装
- struts xml中的result的类型、全局结果集、异常mapping、继承
- 一个异常与Android Studio系列教程参考
- Inception:LinkedIn是如何利用异常日志实现服务监控的