sklearn数据降维_sklearn降维方法?

文章目录

1 概述

1.1 从什么叫“维度”说开来1.2 sklearn中的降维算法 2 PCA与SVD （特征创造）

2.1 降维究竟是怎样实现？2.2 重要参数n_components（即降维后需要保留的特征数量）

2.2.1 迷你案例：高维数据的可视化2.2.2 最大似然估计自选超参数 ：（输入“mle”作为n_components的参数输入）2.2.3 按信息量占比选超参数：PCA(n_components=0.97,svd_solver="full") 2.3 PCA中的SVD

2.3.1 PCA中的SVD哪里来？2.3.2 重要参数svd_solver 与 random_state2.3.3 重要属性components

1 概述 1.1 从什么叫“维度”说开来

1.2 sklearn中的降维算法

2 PCA与SVD （特征创造）

为什么方差计算公式中为什么除数是n-1?
这是为了得到样本方差的无偏估计，更多大家可以自己去探索~

2.1 降维究竟是怎样实现？

2.2 重要参数n_components（即降维后需要保留的特征数量）

pca = PCA(n_components=2)PCA(n_components=“mle”)按信息量占比选超参数：PCA(n_components=0.97,svd_solver=“full”)

2.2.1 迷你案例：高维数据的可视化

2.2.2 最大似然估计自选超参数 ：（输入“mle”作为n_components的参数输入）

帮你算出保留几个在特征比较合适

2.2.3 按信息量占比选超参数：PCA(n_components=0.97,svd_solver=“full”)

输入[0,1]之间的浮点数，并且让参数svd_solver ==‘full’，表示希望降维后的总解释性方差占比大于n_components
指定的百分比，即是说，希望保留百分之多少的信息量。

比如说，如果我们希望保留97%的信息量，就可以输入n_components = 0.97，PCA会自动选出能够让保留的信息量超过97%的特征数量。

2.3 PCA中的SVD 2.3.1 PCA中的SVD哪里来？

2.3.2 重要参数svd_solver 与 random_state

2.3.3 重要属性components