如何使用Python PCA

1

2、PCA主成分分析（Principal Components Analysis），简称PCA，是一种数据降维技术，用于数据预处理。PCA的一般步骤是：先对原始数据零均值化，然后求协方差矩阵，接着对协方差矩阵求特征向量和特征值，这些特征向量组成了新的特征空间。

3、PCA属性：components_ ：返回具有最大方差的成分。explained_variance_ratio_：返回 所保留的n个成分各自的方差百分比。n_components_：返回所保留的成分个数n。mean_：noise_variance_：PCA方法：1、fit(X,y=None)fit(X)，表示用数据X来训练PCA模型。函数返回值：调用fit方法的对象本身。比如pca.fit(X)，表示用X对pca这个对象进行训练。拓展：fit()可以说是scikit-learn中通用的方法，每个需要训练的算法都会有fit()方法，它其实就是算法中的“训练”这一步骤。因为PCA是无监督学习算法，此处y自然等于None。2、fit_transform(X)用X来训练PCA模型，同时返回降维后的数据。newX=pca.fit_transform(X)，newX就是降维后的数据。3、inverse_transform(X)将降维后的数据转换成原始数据，X=pca.inverse_transform(newX)4、transform(X)将数据X转换成降维后的数据。当模型训练好后，对于新输入的数据，都可以用transform方法来降维。此外，还有get_covariance()、get_precision()、get_params(deep=True)、score(X, y=None)等方法，以后用到再补充吧。实例：

4、我们所训练的pca对象的n_components值为2，即保留2个特征，第一个特征占所有特征的方差百分比为0.99244289，意味着几乎保留了所有的信息。即第一个特征可以99.24%表达整个数据集，因此我们可以降到1维：