pca使用的資訊量衡量指標，就是樣本方差，又稱可解釋性方差，方差越大，特徵所帶的資訊量越多
原理推導
class
sklearn
.decomposition.pca(n_components=
none,*
, copy=
true
, whiten=
false
, svd_solver=
'auto'
, tol=
0.0, iterated_power=
'auto'
, random_state=
none
)
copy=表示是否在執行演算法時，將原始資料複製乙份。預設為true，則執行pca演算法後，原始資料的值不會有任何改變。因為是在原始資料的副本上進行運算的。
whiten=白化。所謂白化，就是對降維後的資料的每個特徵進行標準化，讓方差都為1。對於pca降維本身來說，一般不需要白化。如果你pca降維後有後續的資料處理動作，可以考慮白化。預設值是false，即不進行白化。
svd_solver=即指定奇異值分解svd的方法，由於特徵分解是奇異值分解svd的乙個特例，一般的pca庫都是基於svd實現的。有4個可以選擇的值：。
tol=
iterated_power=
random_state=
注意：當設定 n_components == 'mle』時，需要和引數svd_solver一起使用，且svd_solver需要選擇 『full』 引數；即pca = pca(n_components = 『mle』,svd_solver=『full』)；同時要保證輸入資料的樣本數多於特徵數才可執行成功。
另外，有兩個pca類的成員值得關注。第乙個是explained_variance_，它代表降維後的各主成分的方差值，方差值越大，則說明越是重要的主成分。第二個是explained_variance_ratio_，它代表降維後的各主成分的方差值佔總方差值的比例，這個比例越大，則越是重要的主成分。
機器學習 PCA
介紹 pca是一種無監督學習的降維技術 思想1.投影後樣本越分散，保留的資訊越多 2.pca的主要思想是將n維特徵對映到k維上，這k維是全新的正交特徵也被稱為主成分，是在原有n維特徵的基礎上重新構造出來的k維特徵 做法1.將所有的樣本點向直線w投影 2.目標函式 讓投影後樣本的方差極大 第一步 x減...
機器學習 一 PCA
pca主要是用來對特徵進行降維的 參考 並茂的pca教程 設一矩陣xm行n列 將x的每一行 代表乙個屬性字段 進行零均值化 求出協方差矩陣c 1 mxxt c fracxx c m1 x xt求出協方差矩陣的特徵值及對應的特徵向量 將特徵向量按對應特徵值大小從上到下按行排列成矩陣，取前k行組成矩陣p...
sklearn 機器學習庫
pipeline parameters steps 步驟 列表 list 被連線的 名稱，變換 元組 實現擬合 變換 的列表，按照它們被連線的順序，最後乙個物件是估計器 estimator memory 記憶體引數,instance of sklearn.external.joblib.memory...