关于数据降维函数sklearn-PCA的使用

最新推荐文章于 2022-08-10 13:13:15 发布

原创最新推荐文章于 2022-08-10 13:13:15 发布 · 3.1k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#数据

机器学习实战 with python 专栏收录该内容

15 篇文章

订阅专栏

本文介绍了主成分分析（PCA）的基本概念及其在大数据处理中的应用。PCA是一种常用的降维技术，可以减少变量的数量同时保留关键信息。文章详细解释了PCA的调用方法及参数设置，并通过一个简单的例子展示了如何使用Python的sklearn库进行PCA降维。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. PCA介绍

对大数据来说可能很有用
PCA是主成分分析，用来降维，用少量的变量去解释大部分变量，使得变量维度减少，从而减少计算量。

2. 调用方法以及参数的简单介绍


# 先看看PCA构造函数中的默认参数
'''
def __init__(self, n_components=None, copy=True, whiten=False,
                 svd_solver='auto', tol=0.0, iterated_power='auto',
                 random_state=None)
n_components : 通俗的说 就是将其缩小到的维度(当>=1)
copy : True 代表原来数据不变  反之 则会改变
whiten : 白化 使得每个特征有相同的方差
... 待更新 自己还在研究 等干货
'''
# 简单小例子 -_- 一看就懂 -_-

from sklearn.decomposition import PCA

pcaClf = PCA(n_components=3, whiten=True)
pcaClf.fit(data)
data_PCA = pcaClf.transform(data) # 用来降低维度

'''
pcaClf.components_ # 返回模型的各个特征向量
pcaClf.explained_variance_ratio_  # 返回各个成分各自的方差百分比(贡献率)
pcaClf = PCA(n_components='mle')  # 自动降低维度
pcaClf.inverse_transform(newData) # 必要时可以用inverse_transform（）来复原数据
'''