【机器学习实战】降维方法的sklearn实现----PCA和LDA

利用sklearn库来给PCA和LDA做一个比较。首先先了解一下这两个库，然后通过(iris)鸢尾花数据集来进行实践操作。

【PCA】

主要参数：

n_components
int, float, None or string
这个参数类型有int型，float型，string型，默认为None。
它的作用是指定PCA降维后的特征数(也就是降维后的维度)。
若取默认(None)，则n_components==min(n_samples, n_features)，即降维后特征数取样本数和原有特征数之间较小的那个；
若n_components}设置为‘mle’并且svd_solver设置为‘full’则使用MLE算法根据特征的方差分布自动去选择一定数量的主成分特征来降维；
若$0<$n_components <1 < 1 <script id="MathJax-Element-20" type="math/tex"><1</script>并且svd_solver设置为‘full’，则n_components为主成分方差的阈值；
若n_components$\ge1$，则降维后的特征数为n_components；
若svd_solver设置为‘arpack’，则n_components不能等于n_features。
copy
bool (default True)
在运行算法时，将原始训练数据复制一份。参数为bool型，默认是True，传给fit的原始训练数据X不会被覆盖；若为False，则传给fit后，原始训练数据X会被覆盖。
whiten
bool, optional (default False)
是否对降维后的数据的每个特征进行归一化。参数为bool型，默认是False。
svd_solver
string {‘auto’, ‘full’, ‘arpack’, ‘randomized’}
指定奇异值分解SVD的方法，参数为string类型，可选择‘auto’，‘full’，
‘arpack’，‘randomized’。默认是‘auto’。‘auto’适用于输入数据大于500$\times$500且要提取的成分低于最小维数数据的80%。
注：前面的PCA方法那篇中，对PC