PCA 不只是降维，而是信息压缩：安全攻防中的数据价值提取

from sklearn.decomposition import PCA
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
import numpy as np

# 加载示例数据
iris = load_iris()
X = iris.data
y = iris.target

# 创建PCA模型，降维到2维
pca = PCA(n_components=2)

# 拟合模型并转换数据
X_pca = pca.fit_transform(X)

# 可视化结果
plt.figure(figsize=(10, 6))
colors = ['navy', 'turquoise', 'darkorange']
for color, i, target_name in zip(colors, [0, 1, 2], iris.target_names):
    plt.scatter(X_pca[y == i, 0], X_pca[y == i, 1], color=color, alpha=0.8, lw=2, label=target_name)
plt.title('PCA降维结果可视化（鸢尾花数据集）')
plt.xlabel('主成分1')
plt.ylabel('主成分2')
plt.legend(loc='best', shadow=False, scatterpoints=1)
plt.grid(True)
plt.show()

# 打印方差解释率
print(f"主成分1的方差解释率: {pca.explained_variance_ratio_[0]:.4f}")
print(f"主成分2的方差解释率: {pca.explained_variance_ratio_[1]:.4f}")
print(f"累计方差解释率: {sum(pca.explained_variance_ratio_):.4f}")

import pandas as pd
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载网络入侵检测数据集（示例数据）
data = {
    'feature1': [1.2, 2.3, 3.4, 4.5, 5.6, 6.7, 7.8, 8.9, 9.0, 10.1],
    'feature2': [2.1, 3.2, 4.3, 5.4, 6.5, 7.6, 8.7, 9.8, 10.9, 12.0],
    'feature3': [3.4, 4.5, 5.6, 6.7, 7.8, 8.9, 10.0, 11.1, 12.2, 13.3],
    'feature4': [4.7, 5.8, 6.9, 8.0, 9.1, 10.2, 11.3, 12.4, 13.5, 14.6],
    'feature5': [5.0, 6.1, 7.2, 8.3, 9.4, 10.5, 11.6, 12.7, 13.8, 14.9],
    'label': [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]  # 0: 正常, 1: 攻击
}

# 创建DataFrame
df = pd.DataFrame(data)

# 特征选择和标签分离
X = df.drop('label', axis=1)
y = df['label']

# 数据标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# PCA降维
pca = PCA(n_components=2)  # 降维到2维
X_pca = pca.fit_transform(X_scaled)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_pca, y, test_size=0.3, random_state=42)

# 使用随机森林分类器进行检测
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)

# 预测和评估
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

print(f"PCA降维后的检测准确率: {accuracy:.4f}")
print(f"累计方差解释率: {sum(pca.explained_variance_ratio_):.4f}")

# 对比原始数据的检测效果
X_train_original, X_test_original, y_train, y_test = train_test_split(X_scaled, y, test_size=0.3, random_state=42)
clf_original = RandomForestClassifier(n_estimators=100, random_state=42)
clf_original.fit(X_train_original, y_train)
y_pred_original = clf_original.predict(X_test_original)
accuracy_original = accuracy_score(y_test, y_pred_original)

print(f"原始数据的检测准确率: {accuracy_original:.4f}")

import numpy as np
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

# 生成敏感数据（示例数据）
np.random.seed(42)
# 生成100个样本，每个样本有5个敏感特征
sensitive_data = np.random.randn(100, 5)

# 数据标准化
scaler = StandardScaler()
sensitive_data_scaled = scaler.fit_transform(sensitive_data)

# PCA降维，压缩敏感数据
pca = PCA(n_components=2)  # 降维到2维
compressed_data = pca.fit_transform(sensitive_data_scaled)

# 计算信息保留率
information_retention = sum(pca.explained_variance_ratio_)
print(f"信息保留率: {information_retention:.4f}")

# 可视化原始数据和压缩后数据的分布
import matplotlib.pyplot as plt

plt.figure(figsize=(12, 5))

# 原始数据的前两个特征分布
plt.subplot(1, 2, 1)
plt.scatter(sensitive_data_scaled[:, 0], sensitive_data_scaled[:, 1], alpha=0.8)
plt.title('原始数据分布（前两个特征）')
plt.xlabel('特征1')
plt.ylabel('特征2')
plt.grid(True)

# 压缩后数据的分布
plt.subplot(1, 2, 2)
plt.scatter(compressed_data[:, 0], compressed_data[:, 1], alpha=0.8, color='orange')
plt.title('PCA压缩后数据分布')
plt.xlabel('主成分1')
plt.ylabel('主成分2')
plt.grid(True)

plt.tight_layout()
plt.show()

# 尝试从压缩数据中恢复原始数据（只能恢复到一定程度）
recovered_data = pca.inverse_transform(compressed_data)
recovered_data_original = scaler.inverse_transform(recovered_data)

# 计算恢复误差
recovery_error = np.mean(np.sum((sensitive_data - recovered_data_original) ** 2, axis=1))
print(f"数据恢复误差: {recovery_error:.4f}")

# 安装必要的Python库
pip install numpy pandas scikit-learn matplotlib seaborn