sklearn中的PCA

sklearn中的PCA

详见–>http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html

导入库

from sklearn.decomposition import PCA

参数

pca = PCA(n_components=None, copy=True, whiten=False)

n_components:

意义：PCA算法中所要保留的主成分个数n，也即保留下来的特征个数n

类型：int 或者 string，缺省时默认为None，所有成分被保留。

      赋值为int，比如n_components=1，将把原始数据降到一个维度。

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

copy:

类型：bool，True或者False，缺省时默认为True。

意义：表示是否在运行算法时，将原始训练数据复制一份。若为True，则运行PCA算法后，原始训练数据的值不会有任何改变，因为是在原始数据的副本上进行运算；若为False，则运行PCA算法后，原始训练数据的值会改，因为是在原始数据上进行降维计算。

whiten:

类型：bool，缺省时默认为False

意义：白化。

例子：

arr = array([[1,1,1,0,1,0,0,1],
             [0,1,1,0,1,0,0,1],
             [0,1,1,0,1,0,0,1],
             [1,1,0,1,0,0,1,1],
             [0,1,1,0,1,0,0,1],
             [1,0,1,0,0,1,0,1],
             [0,1,1,0,1,0,0,1]])
arr3 = copy(arr)

pca = PCA(n_components=0.9, copy=True, whiten=False)
arr2 = pca.fit_transform(arr)

print arr2

结果

[[-0.05589893 -0.06936121]
 [-0.58413532  0.10595442]
 [-0.58413532  0.10595442]
 [ 1.50720333  0.89629847]
 [-0.58413532  0.10595442]
 [ 0.88523688 -1.25075492]
 [-0.58413532  0.10595442]]

对象属性：

arr2 = pca.fit_transform(arr)#用arr来训练PCA模型，同时返回降维后的数据。

print pca.transform(arr3)#将数据X转换成降维后的数据

print pca.explained_variance_ratio_#各项特征方差百分比

print pca.explained_variance_#各项特征方差

print pca.get_params#返回各参数值

print pca.mean_#原始数据均值

print pca.inverse_transform(arr2)#将降维后的数据转换成原始数据