数据降维

数据降维：
指的是降低特征的数量
数据降维的2种方式：
1.特征选择
2.主成分分析

1.特征选择
特征选择的原因：
冗余：部分特征相关度高，容易消耗计算性能。
噪声：部分特征对预测结果有影响
sklearnt二证选择API

特征选择主要方法（三大武器）：
Filter（过滤式）：varlanceThreshold # Varlance：方差
Embedded（嵌入式）：正则化，决策树
Wrapper（包裹式）

Filter：

考虑所有样本这个特征的数据情况，过滤方差比较小的特征。他的意义其实就是特征选择。特征选择的API：sklearn.feature_selection.VarianceThreshold

sklearn的主成分分析：
PCA：分析简化数据集的技术
pca的目的：是数据位数压缩，尽可能降低原数据的维数，损失少量信息
pca的作用：可以削减回归分析或者据类分析的特征的数量
应用场景：当特征数量达到上百的时候。
API：sklearn.decomposition

n_components：小数形式，范围是0-1，置顶损失量保留多少保留百分之90和保留百分之50是不一样的，一般使用90%-95%。
整数：减少到的特征数量。一般不使用整数，因为我们也不知道减小到多少

#特征选择与主成分分析的比较：
当特征数上百&#x