本文由公众号《湾区人工智能》提供，如果觉得不错，请扫码关注，了解更多Python和人工智能知识
sklearn对三维矩阵降维
思路：
把三维矩阵reshape成二维，然后对二维矩阵降维，然后把二维矩阵再次reshape成三维，实现如下数组
(640, 640, 128) --(640, 640, 3)
代码：
#https://blog.csdn.net/u012162613/article/details/42192293
#https://blog.csdn.net/puredreammer/article/details/52255025
#每次降维后结果不同呢:属于无监督学习，类似聚类一样；fit()可以说是scikit-learn中通用的方法，每个需要训练的算法都会有fit()方法，它其实就是算法中的“训练”这一步骤。因为PCA是无监督学习算法，此处y自然等于None。
#LDA,有监督学习 in contrast to PCA, is a supervised method, using known class labels.
from sklearn.decomposition import PCA
import numpy as np
import matplotlib.pyplot as plt
import scipy.io as sio
data = sio.loadmat('docia.mat') # docia.mat其实是128个640*640的矩阵的叠加，当只有一个通道的时候就是黑白图片，3个通道是RGB图片，128个通道就是128个图片的叠加
print(data.keys()) # 即可知道Mat文件中存在数据名，embedmap
#print(data['embedmap'])
print(data['embedmap'].shape)
reshaped_data = data['embedmap'].reshape((409600, 128)) #reshape（）是数组对象中的方法，用于改变数组的形状。
pca = PCA(n_components=3) #n_components返回所保留的成分个数n。
#pca.fit(reshaped_data) #fit(X)，表示用数据X来训练PCA模型；fit()可以说是scikit-learn中通用的方法，每个需要训练的算法都会有fit()方法，它其实就是算法中的“训练”这一步骤。因为PCA是无监督学习算法，此处y自然等于None。
PCA(copy=True, n_components=3, whiten=True) #whiten=True使得每个特征具有相同的方差。copy=True表示在运行算法时，将原始训练数据复制一份
pcaData=pca.fit_transform(reshaped_data) #用reshaped_data来训练PCA模型，同时返回降维后的数据。
res_pcaData = pcaData.reshape((640,640,3))
print(res_pcaData.shape)
print(type(res_pcaData)) #里面有负值，在-9到5之间
输出：
dict_keys(['__version__', '__header__', 'embedmap', '__globals__'])
(640, 640, 128)
(640, 640, 3)
<class 'numpy.ndarray'>
[Finished in 7.0s]