python中pca的用法

python中pca的用法？這個問題可能是我們日常學習或工作經常見到的。希望通過這個問題能讓你收獲頗深。下面是小編給大家帶來的參考內容，讓我們一起來看看吧！

from sklearn.decomposition import PCA

PCA

主成分分析（Principal Components Analysis），簡稱PCA，是一種數據降維技術，用于數據預處理。

PCA的一般步驟是：先對原始數據零均值化，然后求協方差矩陣，接著對協方差矩陣求特征向量和特征值，這些特征向量組成了新的特征空間。

sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False)
參數：
n_components：
意義：PCA算法中所要保留的主成分個數n，也即保留下來的特征個數n
類型：int 或者 string，缺省時默認為None，所有成分被保留。
    賦值為int，比如n_components=1，將把原始數據降到一個維度。
    賦值為string，比如n_components='mle'，將自動選取特征個數n，使得滿足所要求的方差百分比。
copy：
類型：bool，True或者False，缺省時默認為True。
意義：表示是否在運行算法時，將原始訓練數據復制一份。若為True，則運行PCA算法后，原始訓練數據的值不會有任何改變，
因為是在原始數據的副本上進行運算；若為False，則運行PCA算法后，原始訓練數據的值會改，因為是在原始數據上進行降維計算。
whiten：
類型：bool，缺省時默認為False。
意義：白化，使得每個特征具有相同的方差。

PCA屬性：

components_ ：返回具有最大方差的成分。

explained_variance_ratio_：返回 所保留的n個成分各自的方差百分比。

n_components_：返回所保留的成分個數n。

mean_：

noise_variance_：

PCA方法：

1、fit(X,y=None)

fit(X)，表示用數據X來訓練PCA模型。

函數返回值：調用fit方法的對象本身。比如pca.fit(X)，表示用X對pca這個對象進行訓練。

拓展：fit()可以說是scikit-learn中通用的方法，每個需要訓練的算法都會有fit()方法，它其實就是算法中的“訓練”這一步驟。因為PCA是無監督學習算法，此處y自然等于None。

2、fit_transform(X)

用X來訓練PCA模型，同時返回降維后的數據。

newX=pca.fit_transform(X)，newX就是降維后的數據。

3、inverse_transform(X)

將降維后的數據轉換成原始數據，X=pca.inverse_transform(newX)

4、transform(X)

將數據X轉換成降維后的數據。當模型訓練好后，對于新輸入的數據，都可以用transform方法來降維。

此外，還有get_covariance()、get_precision()、get_params(deep=True)、score(X, y=None)等方法，以后用到再補充吧。

實例：

import numpy as np
from sklearn.decomposition import PCA
X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
pca = PCA(n_components=2)
newX = pca.fit_transform(X)     #等價于pca.fit(X) pca.transform(X)
invX = pca.inverse_transform(X)  #將降維后的數據轉換成原始數據
print(X)
     [[-1 -1]
     [-2 -1]
     [-3 -2]
     [ 1 1]
     [ 2 1]
     [ 3 2]]
print(newX）
    array([[ 1.38340578,  0.2935787],
         [ 2.22189802, -0.25133484],
         [ 3.6053038 , 0.04224385],
         [-1.38340578,  -0.2935787],
         [-2.22189802, 0.25133484],
         [-3.6053038 , -0.04224385]])
print(invX)
    [[-1 -1]
     [-2 -1]
     [-3 -2]
     [ 1 1]
     [ 2 1]
     [ 3 2]]
print(pca.explained_variance_ratio_)
    [ 0.99244289  0.00755711]

我們所訓練的pca對象的n_components值為2，即保留2個特征，第一個特征占所有特征的方差百分比為0.99244289，意味著幾乎保留了所有的信息。即第一個特征可以99.24%表達整個數據集，因此我們可以降到1維：

pca = PCA(n_components=1)
newX = pca.fit_transform(X)
print(pca.explained_variance_ratio_)
[ 0.99244289]

感謝各位的閱讀！看完上述內容，你們對python中pca的用法大概了解了嗎？希望文章內容對大家有所幫助。如果想了解更多相關文章內容，歡迎關注億速云行業資訊頻道。