pca的作用有：降低特徵值維度，提高了計算效率，但丟失了資訊。資訊在pca中我們用方差來表示。
一、pca引數、屬性簡介
1.介紹pca方法中引數：
n_components：
預設值為保留所有特徵值維度，即不進行主成分降維
取大於等於1的整數時，即指定我們希望降維後的維數；
取0-1的浮點數時，即指定降維後的方差和佔比，比例越大，保留的資訊越多。系統會自行計算保留的維度個數。
2.介紹pca中的屬性：
components_：降維後，保留的成分。每一行代表乙個主成分，各成分按方差大小排序。
explained_variance_：降維後 ，各成分的方差
explained_variance_ratio_：降維後，各成分的方差佔比
二、觀察 在保留不同的維度個數時的方差和
橫座標：表示保留的維度個數
縱座標：降維後的所有成分的方差和
通過下圖，我們可以發現隨著降維個數的增加，方差和佔比是先快速增長，然後就平穩增長了。
當降維後的維度個數為20時，所有成分的方差和為90%，即約10%的資訊被丟失了。
下面顯示上圖的繪製**：
if __name__ == '__main__':
#獲得資料，x為特徵值，y為標記值
digits=datasets.load_digits()
x=digits.data
y=digits.target
pca=pca( )
#pca=pca(n_components=0.9)
pca.fit(x,y)
ratio=pca.explained_variance_ratio_
print("pca.components_",pca.components_.shape)
print("pca_var_ratio",pca.explained_variance_ratio_.shape)
#繪製圖形
plt.plot([i for i in range(x.shape[1])],
[np.sum(ratio[:i+1]) for i in range(x.shape[1])])
plt.xticks(np.arange(x.shape[1],step=5))
plt.yticks(np.arange(0,1.01,0.05))
plt.grid()
plt.show()
三、觀察驗證結果的正確性
將上文中的**
pca=pca( )替換為pca=pca(n_components=0.9)
觀察列印結果：由64維降維至21維
PCA降維演算法
文章由兩部分構成，第一部分主要講解pca演算法的步驟，第二部分講解pca演算法的原理。那麼首先進入第一部分 pca演算法的步驟 樣本矩陣x的構成 假設待觀察變數有m個，其實相當於乙個資料在m維各維度上的座標，我們的目標是在保證比較資料之間相似性不失真的前提下，將描述資料的維度盡量減小至l維 l樣本矩...
PCA降維原理
在之前的介紹中，一幅影象只能表示乙個物件。那麼對於w x h的灰度影象，只能表示為w x h位的向量，那麼乙個有100 100的影象就需要10000維的向量空間。對於一幅人臉而言，是否所有維的資料都是有用的呢？在矩陣論當中我們知道，矩陣可以近似的表示為乙個特徵值與特徵向量的乘積。根據這個原理，如果我...
資料降維 PCA
模型原型 class sklearn.decomposition.pca n components none,copy true,whiten false 引數 copy 如果為false，則直接使用原始資料來訓練，結果會覆蓋原始資料所在的陣列 whiten 如果為true，則會將特徵向量除以n s...