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。