sklearn的pca降维

data = pd.read_excel(r'C:\Users\Administrator\Desktop\principal_component.xls',header = None)

from sklearn.decomposition import PCA
pca = PCA()#默认不输入n_components时,n_components=min(样本数,特征数)
pca.fit(data)
pca.components_

pca.explained_variance_ratio_#计算下累加的方差,选择n_components的数值

pca = PCA(n_components=3)#3个主成分,n_components='mle'时,利用mle算法自动估计主成分的个数
pca.fit(data)

pca.transform(data)

pd.DataFrame(pca.transform(data))#形成dataframe格式后续计算或保存。

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
sklearn中,PCA降维算法被包括在模块decomposition中。PCA的API文档为sklearn.decomposition.PCA,它提供了一些参数用于定制化降维过程,比如n_components用于指定降维后的维度数量,copy用于指定是否复制原始数据,whiten用于指定是否对数据进行白化处理等等。\[1\] 在实际应用中,我们可以使用sklearnPCA模块来进行降维操作。降维的结果不一定都是好的,因此在解决实际问题时,我们需要同时计算降维前后的结果,并进行比较。降维后的数据是不可解释的,但不影响最终的计算结果。\[2\] sklearn中的降维算法都被包括在decomposition模块中,这个模块本质上是一个矩阵分解模块。矩阵分解在过去的十年中取得了很大的进展,它可以应用于降维、深度学习、聚类分析、数据预处理、低维度特征学习、推荐系统、大数据分析等领域。因此,sklearnPCA模块是一个非常强大和多功能的降维工具。\[3\] #### 引用[.reference_title] - *1* *2* [Sklearn - PCA数据降维](https://blog.csdn.net/taon1607/article/details/106842006)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [使用Sklearn学习降维算法PCA和SVD](https://blog.csdn.net/qq_38163244/article/details/109237230)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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