目录

第1关：维数灾难与降维

第2关：PCA算法流程

任务描述

编程要求

测试说明

第3关：sklearn中的PCA

任务描述

编程要求

测试说明

---

第1关：维数灾难与降维

---

第2关：PCA算法流程

• 任务描述

本关任务：补充 python 代码，完成 PCA 函数，实现降维功能。

• 编程要求

在 begin-end 之间填写pca(data, k)函数，实现 PCA 算法，要求返回降维后的数据。其中：

data ：原始样本数据，类型为 ndarray；
k ：需要降维至 k 维，类型为 int。

• 测试说明

只需完成 pca 函数即可，程序内部会调用您所完成的 pca 函数来进行验证。以下为其中一个测试用例(其中 data 部分表示原始样本数据，k 表示需要降维至 k 维)：

测试输入：
 {'data':[[1, 2.2, 3.1, 4.3, 0.1, -9.8, 10], [1.8, -2.2, 13.1, 41.3, 10.1, -89.8, 100]],'k':3} 

预期输出：
 [[-6.34212110e+01  6.32827124e-15  1.90819582e-17]
 [ 6.34212110e+01 -6.32827124e-15  2.02962647e-16]] 

开始你的任务吧，祝你成功！

---

第3关：sklearn中的PCA

• 任务描述

本关任务：你需要调用 sklearn 中的 PCA 接口来对数据继续进行降维，并使用 sklearn 中提供的分类器接口（可任意挑选分类器）对癌细胞数据进行分类。

• 编程要求

在 begin-end 之间填写cancer_predict(train_sample, train_label, test_sample)函数实现降维并对癌细胞进行分类的功能，其中：

train_sample ：训练样本，类型为 ndarray；

train_label ：训练标签，类型为 ndarray；

test_sample ：测试样本，类型为 ndarray。

• 测试说明

只需返回预测结果即可，程序内部会检测您的代码，预测 AUC 高于 0.9 视为过关。

开始你的任务吧，祝你成功！

from sklearn.decomposition import PCA
from sklearn.ensemble import RandomForestClassifier

def cancer_predict(train_sample, train_label, test_sample):
    '''
    使用PCA降维，并进行分类，最后将分类结果返回
    :param train_sample:训练样本, 类型为ndarray
    :param train_label:训练标签, 类型为ndarray
    :param test_sample:测试样本, 类型为ndarray
    :return: 分类结果
    '''

    #********* Begin *********#
    train_x = train_sample
    train_y = train_label
    clf = RandomForestClassifier()
    clf.fit(train_x, train_y)
    predictions = clf.predict(test_sample)
    #********* End *********#
    return predictions