是的，您几乎是正确的。该
pca.explained_variance_ratio_参数返回每个维度所解释的方差矢量。因此
pca.explained_variance_ratio_[i]
给出仅由第i + 1维解释的方差。
你可能想做
pca.explained_variance_ratio_.cumsum()。这将返回一个向量
x，该向量将返回由前i +
1个维度解释
x[i]的 累积 方差。
import numpy as npfrom sklearn.decomposition import PCAnp.random.seed(0)my_matrix = np.random.randn(20, 5)my_model = PCA(n_components=5)my_model.fit_transform(my_matrix)print my_model.explained_variance_print my_model.explained_variance_ratio_print my_model.explained_variance_ratio_.cumsum()
[ 1.50756565 1.29374452 0.97042041 0.61712667 0.31529082][ 0.32047581 0.27502207 0.20629036 0.13118776 0.067024 ][ 0.32047581 0.59549787 0.80178824 0.932976 1. ]
因此，在我的随机玩具数据中，如果我选择，
k=4我将保留93.3％的方差。
