一。概述
定義：高維資料轉化成低維資料的過程，在此過程中可能會捨棄原有資料。創造新的變數。
作用：是資料維數壓縮，盡可能降低原資料的維數（複雜度），缺失少量資訊。
應用：回歸分析或者聚類分析
#pca降維
# 1.例項化乙個轉化器類
data = [[1,3,4,4],[2,2,4,5],[2,3,4,5]]
transfor = pca(n_components= 0.95)#保留95%的資訊
#2.呼叫fit_transfor
datanew = transfor.fit_transform(data )
print(datanew)
ifname== 『main』:
pca_demo()
主成分分析
主成分分析 pca 分析乙個隨機向量的中的主成分 主成分一般不是隨機向量中的某乙個分量，而是不同分量的線性組合，根據資訊理論的觀點，資訊的多少與方差有關，所以 主成分是方差最大的幾個成分 主成分分析的方法是求隨機向量的協方差矩陣 用樣本協方差矩陣代替 對於差異較大的資料，可採用相關矩陣代替協方差矩陣...
主成分分析
理論要點 1 主成分分析是一種無監督學習，因此不能用交叉驗證來檢驗誤差 2 在處理資料之前，要對資料做中心化處理 3 p太大的話，做特徵分解用svd 4 一共有min n 1,p 個主成分，因為中心化以後，rank要降一維 5 主成分的載荷向量就是協方差矩陣的特徵向量，對應特徵值最大的是第一主成分，...
主成分分析
1.概念 將一組可能存在相關性的隨機變數轉變成互不相關的隨機變數。這個概念裡有三個地方需要理解清楚。1 隨機變數的指代 在資料集中，每乙個樣本，即將資料集理解成乙個 的話，乙個樣本就是一行，則每一列就是乙個特徵，也就是乙個隨機變數，一列的所有取值就是隨機變數的所有可能取值 說的所有可能取值只針對訓練...