具体介绍sklearn库中:主成分分析(PCA)的参数、属性、方法
转载请注明出处:https://editor.csdn.net/md?articleId=104839136 文章目录主成分分析(PCA)Sklearn库中PCA一、参数说明(Parameters)二、属性(Attributes)三、方法(Methods)四、示例(Sample)五、参考资料(Reference data) 主成分分析(PCA) 主成分分析(Principal components analysis,以下简称PCA)的思想是将n维特征映射到k维上(k<n),这k维是全新的正交特征(新的坐标系)。这k维特征称为主元,是重新构造出来的k维特征,而不是简单地从n维特征中去除其余n- PCA(主成分分析)是一种广泛应用于数据降维的统计学方法,它的目标是将高维数据转换为一组线性不相关的低维表示,即主成分。这些主成分是原始特征的线性组合,且彼此正交,从而保留了数据的主要信息。在Python的机器学习库sklearn中,PCA类提供了实现PCA所需的各种功能。 PCA类的参数主要有以下几个: 1. `n_components`: 它指定了要保留的主成分数量。可以是整数,表示保留前n个主成分;也可以是0到1之间的浮点数,表示保留累计方差达到该比例的主成分;若设置为`None`,则保留所有主成分;若设置为'mle',PCA会自动选择主成分个数。 2. `copy`: 这是一个布尔值,决定是否在处理过程中复制原始数据。如果设置为`True`(默认),数据会被复制,fit_transform()方法可以直接用于降维;若设置为`False`,需要先fit()后transform()来查看降维结果。 3. `whiten`: 这个布尔值表示是否进行白化处理。白化能降低特征间的相关性,并使所有特征具有相同的方差,有助于后续模型的训练。 4. `svd_solver`: 选择Singular Value Decomposition(奇异值分解)的算法。有四种选项:'auto'(根据数据自动选择)、'full'(完整SVD)、'arpack'(适用于稀疏矩阵)和'randomized'(适用于大数据集,计算速度快)。 PCA类的属性包括: 1. `components_`: 返回按照方差大小排序的主成分向量,这些向量构成了新坐标系的基。 2. `explained_variance_`: 这是一个数组,包含了每个主成分的方差,展示了各个主成分对总方差的贡献。 3. `explained_variance_ratio_`: 同样是一个数组,表示每个主成分的方差占总方差的比例,反映了主成分的重要性。 4. `singular_values_`: 提供了选定的主成分对应的奇异值,它们是原始数据矩阵的左奇异向量和右奇异向量的乘积。 在实际应用PCA时,我们通常会根据数据特性调整这些参数,如根据保留信息量的需求设置`n_components`,或根据计算效率考虑选择`svd_solver`。通过PCA,我们可以将高维数据简化,减少计算复杂性,同时保持数据的关键信息,这对于可视化、数据预处理以及某些机器学习模型的训练尤其有用。
![](https://csdnimg.cn/release/download_crawler_static/13751363/bg1.jpg)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![doc](https://img-home.csdnimg.cn/images/20210720083327.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![txt](https://img-home.csdnimg.cn/images/20210720083642.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![py](https://img-home.csdnimg.cn/images/20210720083646.png)
![md](https://img-home.csdnimg.cn/images/20210720083646.png)
![avatar](https://profile-avatar.csdnimg.cn/default.jpg!1)
- 粉丝: 4
- 资源: 901
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
最新资源
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback-tip](https://img-home.csdnimg.cn/images/20220527035111.png)
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)
评论0