PCA主成分分析

PCA（主成分分析）是用于数据降维的一种方法，可以用来将高维数据映射到低维空间，去掉那些无关属性，便于对数据进行分析。

在python的sklearn库中提供了相应方法。

sklearn.decomposition.PCA(n_components=None,copy=True,whiten=False)

参数说明：

（1）n_components

PCA算法中要保留的主成分个数即保留下来的特征数。

类型：int或string，缺省为None，所有成分被保留。赋值为int，比如n_components=1将原始数据降到一维。

赋值为string，比如n_components='mle'将自动选取特征个数，使得满足所要求的方差百分比。

（2）copy

类型：bool，缺省为True

表示在运行算法时是否赋值原数据集。若为True则在副本上运行算法不改变原数据集。

（3）whiten

类型：bool缺省为False

白化，使得每个特征具有相同方差。

举个例子：

import numpy as npfrom sklearn.decomposition import PCAD=np.random.rand(10,4)pca = PCA()pca.fit(D)print(pca.components_)print(pca.explained_variance_ratio_)

输出：

array([[ 0.50337803, -0.58076386, -0.57386558,  0.28284659],
       [-0.16288191, -0.73178568,  0.65241137,  0.11098921],
       [ 0.26130446, -0.21547305, -0.01640765, -0.94075615],
       [-0.80734133, -0.2842084 , -0.49474083, -0.15052265]])

array([ 0.48584656,  0.30710106,  0.12088463,  0.08616775])