主成分分析(PCA)

目录

一、PCA是什么？

二、使用步骤

 1. 实例化`PCA`对象，选择你想要保留的主成分数量（例如，保留90%的方差，则设置`n_components=0.9`）。

2. 使用`fit`方法拟合数据，这样PCA对象就可以学习数据的内部结构。 3. 使用`transform`方法将原始数据转换为新的空间。

4. 使用`explained_variance_ratio_`属性查看每个主成分的方差贡献率。 

三、代码实战

1.引用库

2.数据加载

3.处理数据

4.应用PCA

5.可视化

四、结果分析

五、总结

---

 

一、PCA是什么？

`PCA`（主成分分析）是一种统计方法，用于通过正交变换将原始数据转换为一组线性不相关的变量，这组变量称为主成分。这些主成分是原始变量的线性组合，它们按照方差从大到小排列，代表了数据中的最大变异性。 PCA的目标是找到一组投影，这些投影能够将数据投影到一个新的空间中，这个空间中的维度是按照方差从高到低排列的，这样可以简化数据的复杂性，同时尽可能地保留数据的变异信息。 

二、使用步骤

 - 预处理数据：进行标准化。
- 计算协方差矩阵：找到数据中的特征关系。
- 特征分解：找到协方差矩阵的特征值和特征向量。
- 选择主成分：选择最重要的特征。
- 降维：用主成分转换数据。
- 可视化和分析：理解降维后的数据。
- 数据重构：验证PCA的有效性。

为了方便本文直接调用PCA的库函数

from sklearn.decomposition import PCA

三、代码实战

1.引用库

from sklearn import datasets
i