原理详解：PCA（explained_variance_ratio_与explained_variance_）

已于 2022-04-22 17:18:23 修改
阅读量1.1w 收藏 79
点赞数 15
分类专栏： Python 文章标签： sklearn python
于 2021-10-27 16:56:54 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_46092061/article/details/120996265
版权
本文详细介绍了PCA（主成分分析）在scikit-learn库中的实现，包括PCA类、参数介绍及实例。PCA通过计算特征方差贡献率进行降维，关键参数如n_components、whiten和svd_solver。explained_variance_ratio_和explained_variance_分别表示主成分的方差比例和方差值，用于确定重要主成分。实例展示了PCA如何在不同设定下进行数据降维。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

PCA（explained_variance_ratio_与explained_variance_）

1. scikit-learn PCA类介绍

PCA的方法explained_variance_ratio_计算了每个特征方差贡献率，所有总和为1，explained_variance_为方差值，通过合理使用这两个参数可以画出方差贡献率图或者方差值图，便于观察PCA降维最佳值。

PCA中的参数选项可以对数据做SVD与归一化处理很方便，但是需要先考虑是否需要这样做。

在scikit-learn中，与PCA相关的类都在sklearn.decomposition包中。最常用的PCA类就是sklearn.decomposition.PCA，我们下面主要也会讲解基于这个类的使用的方法。

除了PCA类以外，最常用的PCA相关类还有KernelPCA类，在原理篇我们也讲到了，它主要用于非线性数据的降维，需要用到核技巧。因此在使用的时候需要选择合适的核函数并对核函数的参数进行调参。

另外一个常用的PCA相关类是IncrementalPCA类，它主要是为了解决单机内存限制的。有时候我们的样本量可能是上百万+，维度可能也是上千，直接去拟合数据可能会让内存爆掉， 此时我们可以用IncrementalPCA类来解决这

了解本专栏 订阅专栏 解锁全文 超级会员免费看
九、Sklearn主成分分析
Norni的博客
03-20 629
参考url: https://jakevdp.github.io/PythonDataScienceHandbook/05.09-principal-component-analysis.html 主成分分析(principal component analysis,PCA),无监督算法之一，PCA是一种非常基础的降维算法，适用于数据可视化、噪音过滤、特征抽取和特征工程等领域。 1、主成分分析简...
具体介绍sklearn库中：主成分分析（PCA）的参数、属性、方法
12-22
转载请注明出处：https://editor.csdn.net/md?articleId=104839136 文章目录主成分分析（PCA）Sklearn库中PCA一、参数说明（Parameters）二、属性（Attributes）三、方法（Methods）四、示例（Sample）五、参考资料（Reference data） 主成分分析（PCA） 主成分分析（Principal components analysis，以下简称PCA）的思想是将n维特征映射到k维上（k<n），这k维是全新的正交特征(新的坐标系)。这k维特征称为主元，是重新构造出来的k维特征，而不是简单地从n维特征中去除其余n-
用scikit-learn学习主成分分析(PCA)
yanqingbing88的博客
11-05 986
在主成分分析（PCA）原理总结中，我们对主成分分析(以下简称PCA)的原理做了总结，下面我们就总结下如何使用scikit-learn工具来进行PCA降维。 1. scikit-learn PCA类介绍 　　　　在scikit-learn中，与PCA相关的类都在sklearn.decomposition包中。最常用的PCA类就是sklearn.decomposition.PCA，我们下面主要也会讲解基于这个类的使用的方法。 　　　　除了PCA类以外，最常用的PCA相关类还有KernelPCA类，在原理篇
scikit-learn学习主成分分析(PCA)
weixin_44430175的博客
07-29 334
1. scikit-learn PCA类介绍 　　　　在scikit-learn中，与PCA相关的类都在sklearn.decomposition包中。最常用的PCA类就是sklearn.decomposition.PCA，我们下面主要也会讲解基于这个类的使用的方法。 　　　　除了PCA类以外，最常用的PCA相关类还有KernelPCA类，在原理篇我们也讲到了，它主要用于非线性数据的降维，需要用到核技巧。因此在使用的时候需要选择合适的核函数并对核函数的参数进行调参。 　　　　另外一个常用的PCA相关类
Sklearn——PCA主成分分析
m0_37634594的博客
12-28 2697
Sklearn——PCA主成分分析1.特征降维2.特征选择和特征降维的区别3.常用降维算法4.sklearn中PCA算法函数主成分分析 (PCA)不同主成分个数对应的可解释方差分析(Explained Variance)5 sklearn中的其他降维算法函数6 sklearn中的fit、transform、fit_transform、inverse_transform1. 数据预处理中方法2. 各种算法的方法 1.特征降维 降维实际上就是把高维空间的数据转换映射到低维空间中，从而达到降低数据维度的目的，降维
05-04 scikit-learn库之主成分分析
小猿取经
03-03 317
文章目录scikit-learn库之主成分分析PCA使用场景代码参数属性方法KernelPCAIncrementalPCASparsePCAMiniBatchSparsePCA scikit-learn库之主成分分析   PCA在scikit-leran库中的sklearn.decomposition包下，PCA即最普通的PCA，PCA也有很多变种，我们主要会讲解PCA，然后聊一聊KernelPC...
如何将pca分析的explained_variance_，explained_variance_ratio_和total explained variance ratio 结果保存成csv文件
06-10
1. 将PCA分析的结果保存在一个字典对象中，包括explained_variance_，explained_variance_ratio_和total explained variance ratio等结果。 2. 将字典对象转换为Pandas的DataFrame对象。 3. 使用Pandas的to_csv()...
explained_variance_ratio = pca.explained_variance_ratio_ print(explained_variance_ratio)将这个的输出结果行列互换
07-28
要将 `explained_variance_ratio` 输出结果的行列互换，您可以使用 NumPy 库中的 `transpose()` 函数。请按照以下步骤进行修改： 1. 导入所需的库： ```python import numpy as np ``` 2. 对数据进行转置： ```...
import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn import datasets from mpl_toolkits.mplot3d import Axes3D from sklearn.decomposition import PCA from sklearn.preprocessing import StandardScaler data=pd.read_csv('H:/analysis_results/mean_HN.csv') data.head() x=data.iloc[:,1:7] y=data.iloc[:,6] scaler=StandardScaler() scaler.fit(x) x_scaler=scaler.transform(x) print(x_scaler.shape) pca=PCA(n_components=3) x_pca=pca.fit_transform(x_scaler) print(x_pca.shape) #查看各个主成分对应的方差大小和占全部方差的比例 #可以看到前2个主成分已经解释了样本分布的90%的差异了 print('explained_variance_:',pca.explained_variance_) print('explained_variance_ratio_:',pca.explained_variance_ratio_) print('total explained variance ratio of first 6 principal components:',sum(pca.explained_variance_ratio_)) #将分析的结果保存成字典 result={ 'explained_variance_:',pca.explained_variance_, 'explained_variance_ratio_:',pca.explained_variance_ratio_, 'total explained variance ratio:',np.sum(pca.explained_variance_ratio_)} df=pd.DataFrame.from_dict(result,orient='index',columns=['value']) df.to_csv('H:/analysis_results/Cluster analysis/pca_explained_variance_HN.csv') #可视化各个主成分贡献的方差 #fig1=plt.figure(figsize=(10,10)) #plt.rcParams['figure.dpi'] = 300#设置像素参数值 plt.rcParams['path.simplify'] = False#禁用抗锯齿效果 plt.figure() plt.plot(np.arange(1,4),pca.explained_variance_,color='blue', linestyle='-',linewidth=2) plt.xticks(np.arange(1, 4, 1))#修改X轴间隔为1 plt.title('PCA_plot_HN') plt.xlabel('components_n',fontsize=16) plt.ylabel('explained_variance_',fontsize=16) #plt.savefig('H:/analysis_results/Cluster analysis/pca_explained_variance_HN.png') plt.show()报错'numpy.float64' object is not iterable，如何修改
06-10
'explained_variance_ratio_:',pca.explained_variance_ratio_, 'total explained variance ratio:',np.sum(pca.explained_variance_ratio_) } ``` 改为： ``` result={ 'explained_variance_': [pca....
sklearn之PCA(主成分分析)
weixin_38169927的博客
09-14 445
完整的ipynb分析流程，请点击以下连接： https://nbviewer.jupyter.org/github/China-LuoYaxiong/ipynb/blob/master/Scikit%20Learn%E4%B9%8BPCA%E9%99%8D%E7%BB%B4%EF%BC%88%E4%B8%BB%E6%88%90%E5%88%86%E5%88%86%E6%9E%90%EF...
机器学习--sklearn之主成分分析(PCA)
cocofisher的博客
11-29 2290
PCA(主成分分析)推导过程 假设在nnn维空间内有mmm个点{x(1),x(2),……,x(m)x^{(1)}, x^{(2)}, ……, x^{(m)}x(1),x(2),……,x(m) }， 为了降低维度，对于每一个nnn维向量的样本点x(i)x^{(i)}x(i)，我们希望找到一个对应x(i)x^{(i)}x(i)的lll维编码向量c(i)c^{(i)}c(i)。 假设编码函数为c=f(x...
【机器学习sklearn】主成分分析PCA(Principal Component Analysis)
Aoyama的博客
12-28 4901
主成分分析方法PCA前言一、PCA是什么？二、使用步骤1.引入库2.读入数据总结 前言 PCA`(Principal Component Analysis)`，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。 降维的方法有很多，包括：奇异值分解(SVD)、主成分分析(PCA)、因子分析(FA)、独立成分分析(ICA)等等。 读书是爱读，会读，想方设法去读。 一、PCA是什.
基于sklearn的主成分分析
月见樽
12-16 1183
理论部分 特征降维 特征降维是无监督学习的一种应用：将n维的数据降维为m维的数据（n>m）。可应用于数据压缩等领域 主成分分析（PCA） 主成分分析是一种常用的特征降维方法，对于m维的数据A，可以降维获得一个n维的数据B（m>n），满足$B = f(A)$且$A \approx g(f(A))$，其中f(x)为编码函数，g(x)为解码函数。 当...
sklearn 实现 主成分分析
qq_44614115的博客
06-01 488
sklearn 实现 主成分分析
PCA_explained_variance_ratio
最新发布
2401_83026894的博客
11-07 1730
具体来说，“explained variance ratio” 通常与PCA中的特征值（λ，lambda）相关联，因为特征值代表了数据在对应特征向量方向上的方差。在实际应用中，负的特征值通常不是预期的结果，需要进一步的调查和处理。在主成分分析（PCA）中，特征值（λ，lambda）理论上应该是非负的，因为它们代表了数据在对应特征向量方向上的方差。当然，让我们通过一个简单的例子来说明PCA中的“explained variance ratio”（解释方差比率）和特征值（λ，lambda）。
sklearn基础篇（九）-- 主成分分析（PCA）
CarpeDiem
12-15 3551
PCA（Principal Component Analysis） 是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。PCA 的数学推导可以从最大可分型和最近重构性两方面进行，前者的优化条件为划分后方差最大，后者的优化条件为点到划分平面距离最小，这里我原理出发，介绍算法流程和sklearn实现。
python 不等于1_Python sklearn PCA.explained_variance_ratio_不等于1
weixin_39919165的博客
12-15 384
from sklearn.decomposition import PCApca = PCA(n_components=9)p = pca.fit([row[:-1] for row in norm])norm这里是我的归一化数据集，并在最后一列的唯一标识符，这就是为什么我在最后一行删除它。这个数据集中有9个特征，所以我预计有9个组成部分不会有无法解释的变化。然而，当我打电话p.explained...
PCA（explained_variance_ratio_与explained_variance_）
vivi_cin的博客
10-28 547
下面我们主要基于sklearn.decomposition.PCA来讲解如何使用scikit-learn进行PCA降维。PCA类基本不需要调参，一般来说，我们只需要指定我们需要降维到的维度，或者我们希望降维后的主成分的方差和占原始维度所有特征方差和的比例阈值就可以了。现在我们对sklearn.decomposition.PCA的主要参数做一个介绍：1）：这个参数可以帮我们指定希望PCA降维后的特征维度数目。最常用的做法是直接指定降维到的维度数目，此时n_components是一个大于等于1的整数。
explained_variance_ratio = pca.explained_variance_ratio_
03-31
This variable stores the explained variance ratio of each principal component in the PCA analysis. It is an array of length equal to the number of principal components computed in the analysis. The value of each element represents the proportion of the total variance in the data that is explained by the corresponding principal component. The sum of all elements in the array is equal to 1.0. This information can be used to determine the number of principal components needed to capture a certain percentage of the total variance in the data. For example, if the first two principal components have an explained variance ratio of 0.5 and 0.3, respectively, then these two components capture 80% of the total variance in the data.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

chaser&upper

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值