主成分回归python实现

主成分分析python实现

这是我一直都想写的内容，但是迟迟没有动手开始写，主要的原因是没有理解python中PCA降维后再进行回归时应该要怎么做。再网上查了很多资料，也没有这方面的讲解，书上也是讲到了PCA降维就结束了。以下是我使用R语言的思想写的code,日后若找到相关的内容再进行修改。
先介绍一下sklearn中PCA模型的参数及方法：

参数：

n_components ： int，float，None或string（‘mle’)
要保留的主成分数量。如果未设置n_components，则保留所有主成分， 如果n_components = 1, 表示保留一个主成分（第一主成分）

copy ： bool（默认为True）
表示是否将原始数据复制。如果为False，则传递给fit的数据将被覆盖并且运行fit（X）.transform（X）将不会产生预期结果，请改用fit_transform（X）。

whiten ： bool，可选（默认为False）
表示是否白化，使得每个特征具有相同的方差。
当为True（默认为False）时，components_矢量乘以n_samples的平方根，然后除以奇异值，以确保具有单位分量方差的不相关输出。
白化将从变换后的信号中去除一些信息（组件的相对方差尺度），但有时可以通过使数据遵循一些硬连线假设来提高下游估计器的预测精度。