python中pca的用法？這個問題可能是我們?nèi)粘W(xué)習(xí)或工作經(jīng)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?guī)淼膮⒖純?nèi)容，讓我們一起來看看吧！

成都創(chuàng)新互聯(lián)公司于2013年成立，是專業(yè)互聯(lián)網(wǎng)技術(shù)服務(wù)公司，擁有項目成都網(wǎng)站建設(shè)、成都網(wǎng)站制作網(wǎng)站策劃，項目實施與項目整合能力。我們以讓每一個夢想脫穎而出為使命，1280元芙蓉做網(wǎng)站,已為上家服務(wù),為芙蓉各地企業(yè)和個人服務(wù),聯(lián)系電話:18982081108

from sklearn.decomposition import PCA

PCA

主成分分析（Principal Components Analysis），簡稱PCA，是一種數(shù)據(jù)降維技術(shù)，用于數(shù)據(jù)預(yù)處理。

PCA的一般步驟是：先對原始數(shù)據(jù)零均值化，然后求協(xié)方差矩陣，接著對協(xié)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(shù)：
n_components：
意義：PCA算法中所要保留的主成分個數(shù)n，也即保留下來的特征個數(shù)n
類型：int 或者 string，缺省時默認(rèn)為None，所有成分被保留。
    賦值為int，比如n_components=1，將把原始數(shù)據(jù)降到一個維度。
    賦值為string，比如n_components='mle'，將自動選取特征個數(shù)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(rèn)為True。
意義：表示是否在運(yùn)行算法時，將原始訓(xùn)練數(shù)據(jù)復(fù)制一份。若為True，則運(yùn)行PCA算法后，原始訓(xùn)練數(shù)據(jù)的值不會有任何改變，
因為是在原始數(shù)據(jù)的副本上進(jìn)行運(yùn)算；若為False，則運(yùn)行PCA算法后，原始訓(xùn)練數(shù)據(jù)的值會改，因為是在原始數(shù)據(jù)上進(jìn)行降維計算。
whiten：
類型：bool，缺省時默認(rèn)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(shù)n。

mean_：

noise_variance_：

PCA方法：

1、fit(X,y=None)

fit(X)，表示用數(shù)據(jù)X來訓(xùn)練PCA模型。

函數(shù)返回值：調(diào)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(jìn)行訓(xùn)練。

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

2、fit_transform(X)

用X來訓(xùn)練PCA模型，同時返回降維后的數(shù)據(jù)。

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

3、inverse_transform(X)

將降維后的數(shù)據(jù)轉(zhuǎn)換成原始數(shù)據(jù)，X=pca.inverse_transform(newX)

4、transform(X)

將數(shù)據(jù)X轉(zhuǎn)換成降維后的數(shù)據(jù)。當(dāng)模型訓(xùn)練好后，對于新輸入的數(shù)據(jù)，都可以用transform方法來降維。

此外，還有g(shù)et_covariance()、get_precision()、get_params(deep=True)、score(X, y=None)等方法，以后用到再補(bǔ)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(shù)據(jù)轉(zhuǎn)換成原始數(shù)據(jù)
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(xùn)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(dá)整個數(shù)據(jù)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(nèi)容，你們對python中pca的用法大概了解了嗎？希望文章內(nèi)容對大家有所幫助。如果想了解更多相關(guān)文章內(nèi)容，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。