sklearn中的降维算法PCA和SVD（参数、属性、接口）

sklearn 中降维算法都被包括在模块 decomposition 中，这个模块本质是一个矩阵分解模块。

重要参数参数： n_components ， svd_solver ， random_state ，

三个重要属性： components_, explained_variance_ 以及 explained_variance_ratio_ ，

接口 fit， transform ， fit_transform ， inverse_transform 。

重要参数：

n_components

        1、通过高维数据的可视化操作，进行判断；

        2、最大似然估计自选超参数；

        3、按信息量占比选超参数。

svd_solver     

       有四种模式可选： "auto", "full", "arpack", "randomized"，默认 ”auto" 。

        " auto "：基于 X.shape 和 n_components 的默认策略来选择分解器

          " full " ： 适合数据量比较适中，计算时 间充足的情况.

          " arpack "： 可以加快运算速度，适合特征矩阵很大的时候，但一般用于 特征矩阵为稀疏矩阵的情况
         " randomized": 适合特征矩阵巨大，计算量庞大的情况 。

random_state: 在参数 svd_solver 的值为 "arpack" or "randomized" 的时候生效，可以控制这两种 SVD 模式中的随机模式。

components_

         V(k,n)是新特征空间，是我们要将原始数据进行映射的那些新特征向量组成的矩阵
inverse_transform
         基于X_dr中的数据进行升维，将数据重新映射到原数据所在的特征空间中，而并非恢复所有原有的数据

相关知识：根据（菜菜的机器学习skleaen课堂）整理