1. PCA介绍
对大数据来说可能很有用
PCA是主成分分析,用来降维,用少量的变量去解释大部分变量,使得变量维度减少,从而减少计算量。
2. 调用方法 以及 参数的简单介绍
# 先看看PCA构造函数中的默认参数
'''
def __init__(self, n_components=None, copy=True, whiten=False,
svd_solver='auto', tol=0.0, iterated_power='auto',
random_state=None)
n_components : 通俗的说 就是将其缩小到的维度(当>=1)
copy : True 代表原来数据不变 反之 则会改变
whiten : 白化 使得每个特征有相同的方差
... 待更新 自己还在研究 等干货
'''
# 简单小例子 -_- 一看就懂 -_-
from sklearn.decomposition import PCA
pcaClf = PCA(n_components=3, whiten=True)
pcaClf.fit(data)
data_PCA = pcaClf.transform(data) # 用来降低维度
'''
pcaClf.components_ # 返回模型的各个特征向量
pcaClf.explained_variance_ratio_ # 返回各个成分各自的方差百分比(贡献率)
pcaClf = PCA(n_components='mle') # 自动降低维度
pcaClf.inverse_transform(newData) # 必要时可以用inverse_transform()来复原数据
'''