Python PCA降维

在降维之前，会对输入特征进行归一化：

一、标准化有两种一般有两种方法：

1、min-max标准化: 对原有数据进行线性变换，使其落在[0, 1]区间，转换函数如下：

2、z-score 标准化：数据符合正太分布，求出相应的均值方差，转换函数如下：

x* = (x - μ ) / σ

在Python中可以直接调用sklearn的preprocessing方法标准化：

scaler = preprocessing.StandardScaler().fit(features)

features_scaler = scaler.transform(features

二、PCA基本原理：

降维的目的是尽可能少的信息实现降维，PCA是求出特征的协防差矩阵，其次求出协方差的特征值和特征向量，根据特征值排序把特征投影到特征向量上去。

三、Python PCA实现需调用如下包：

from sklearn.decomposition import PCA

1、关于参数：

n_components:  PCA主成分个数，除了指定维度还有用'mle'，将自动选取特征个数n。

2、PCA对象属性：

components_：返回具有最大方差的成分。
explained_variance_ratio_：返回 所保留的n个成分各自的方差百分比。
n_components_：返回所保留的成分个数n。

3、PCA对象函数：

fit(X): 表示用数据X来训练PCA模型.

transform(X): 将数据X转换成降维后的数据。