pca主成分分析结果解释_SKLEARN中的PCA(Principal Component Analysis)主成分分析法

PCA(Principal Component Analysis)主成分分析法是机器学习中非常重要的方法，主要作用有降维和可视化。PCA的过程除了背后深刻的数学意义外，也有深刻的思路和方法。

1. 准备数据集

本文利用sklearn中的datasets的Iris数据做示范，说明sklearn中的PCA方法。导入数据并对数据做一个概览：

import 

将数据做一个分离，分离成训练数据集和测试数据集：

from 

2. 利用PCA对数据集进行降维

将按照降维前，降维后的模型训练时间和score来了解PCA的作用

首先不对数据集做处理，直接fit，同时对降维之前的fit过程计时，查看score：

%%

通过sklearn中的PCA对数据集进行降维，查看降维后的运行时间和score:

from 

从以上数据来看，时间的运行时间有明显降低，但是准确率不是我们可以接受的：

#通过sklearn.PCA.explaine_variance_ration_来查看刚刚的2个纬度的方差爱解释度：

其中sklearn已经有一个封装好的通过方差解释度来确定数据特征数量的超参数。以下按95%的解释度来计算特征数量：

#其中sklearn中已经有封装一个函数

由此可以看到纬度有67减低到28之后，score的降低比较小，但是训练时间降低非常多。

pca 

3. PCA在可视化中的应用

虽然降低纬度后会损失信息量，降到二维进行可视化，是一个很好的方法：

##将数据集的的前2个特征绘制散点图：

从上图可以看到，对多维度的数据，可以通过降纬后进行可是，让人对很多的数据有一个直观的了解。