scikit learn 中pca 的用法

最新推荐文章于 2025-05-28 00:11:18 发布

原创

最新推荐文章于 2025-05-28 00:11:18 发布 · 2.6k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习

本文介绍了PCA（主成分分析）在scikit-learn库中的使用方法，重点讲解了`n_components`参数的选择，包括设定保留的主成分数量及自动选择满足方差百分比的特征个数。此外，还提到了`copy`参数是否复制原始数据以及`whiten`参数的白化处理。PCA的主要属性如`components_`、`explained_variance_`和`explained_variance_ratio_`用于描述主成分的特征和方差信息。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

PCA参数如下：

class sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False, svd_solver='auto', tol=0.0, iterated_power='auto', random_state=None)[source]

参数说明：
n_components
意义：PCA算法中所要保留的主成分个数n，也即保留下来的特征个数n
类型：int 或者 string，缺省时默认为None，所有成分被保留。
赋值为int，比如n_components=1，将把原始数据降到一个维度。
赋值为string，比如n_components=’mle’，将自动选取特征个数n，使得满足所要求的方差百分比。

copy
类型：bool，True或者False，缺省时默认为True。
意义：表示是否在运行算法时，将原始训练数据复制一份。
若为True，则运行PCA算法后，原始训练数据的值不会有任何改变，因为是在原始数据的副本上进行运算；
若为False，则运行PCA算法后，原始训练数据的值会改，因为是在原始数据上进行降维计算。

whiten
类型：bool，缺省时默认为False
意义：白化，使得每个特征具有相同的方差。关于“白化