多元统计分析——主成成分分析

博客介绍了PCA主成分分析的原理和使用方法,包括参数设置及代码实现。首先,通过sklearn库实现PCA,并以半导体数据为例展示数据预处理和主成分分析的过程,绘制了主成分贡献率曲线。接着,通过调整阈值,探讨不同主成分个数对数据压缩比的影响。此外,还展示了PCA在图像特征抽取中的应用,通过改变主成分数量观察图像变化。
摘要由CSDN通过智能技术生成
一、代码实现与示例
1. 代码实现
sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False)
n_components : int, float, None or string 。降维后的主成成分数量
    ✓ 若 0 < n_components < 1 ,则方差和需要大于 n_components 所指定的 阈值,PCA 会自动地选择下降维数;
    ✓ 如果 n_components 取整数,则事先指定主成分个数。
copy True False ,默认为 True ,即是否需要将原始训练数据复制。
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