PCA的使用方法

@author：wepon

@blog：

在前一篇文章 主成分分析(pca) 中，我基於python和numpy實現了pca演算法，主要是為了加深對演算法的理解，演算法的實現很粗糙，實際應用中我們一般呼叫成熟的包，本文就結束scikit-learn中pca使用的方法和需要注意的細節，參考：sklearn.decomposition.pca

sklearn.decomposition.pca(n_components=none, copy=true, whiten=false)

引數說明：

n_components:  

意義：pca演算法中所要保留的主成分個數n，也即保留下來的特徵個數n

型別：int 或者 string，預設時預設為none，所有成分被保留。

賦值為int，比如n_components=1，將把原始資料降到乙個維度。

賦值為string，比如n_components='mle'，將自動選取特徵個數n，使得滿足所要求的方差百分比。

型別：bool，true或者false，預設時預設為true。

意義：表示是否在執行演算法時，將原始訓練資料複製乙份。若為true，則執行pca演算法後，原始訓練資料的值不            會有任何改變，因為是在原始資料的副本上進行運算；若為false，則執行pca演算法後，原始訓練資料的              值會改，因為是在原始資料上進行降維計算。

型別：bool，預設時預設為false

意義：白化，使得每個特徵具有相同的方差。關於「白化」，可參考：ufldl教程

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_：

fit()可以說是scikit-learn中通用的方法，每個需要訓練的演算法都會有fit()方法，它其實就是演算法中的「訓練」這一步驟。因為pca是無監督學習演算法，此處y自然等於none。

fit(x)，表示用資料x來訓練pca模型。

函式返回值：呼叫fit方法的物件本身。比如pca.fit(x)，表示用x對pca這個物件進行訓練。

用x來訓練pca模型，同時返回降維後的資料。

newx=pca.fit_transform(x)，newx就是降維後的資料。

將降維後的資料轉換成原始資料，x=pca.inverse_transform(newx)

將資料x轉換成降維後的資料。當模型訓練好後，對於新輸入的資料，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，以後用到再補充吧。

@author：wepon

@blog：

在前一篇文章 主成分分析(pca) 中，我基於python和numpy實現了pca演算法，主要是為了加深對演算法的理解，演算法的實現很粗糙，實際應用中我們一般呼叫成熟的包，本文就結束scikit-learn中pca使用的方法和需要注意的細節，參考：sklearn.decomposition.pca

sklearn.decomposition.pca(n_components=none, copy=true, whiten=false)

引數說明：

n_components:  

意義：pca演算法中所要保留的主成分個數n，也即保留下來的特徵個數n

型別：int 或者 string，預設時預設為none，所有成分被保留。

賦值為int，比如n_components=1，將把原始資料降到乙個維度。

賦值為string，比如n_components='mle'，將自動選取特徵個數n，使得滿足所要求的方差百分比。

型別：bool，true或者false，預設時預設為true。

意義：表示是否在執行演算法時，將原始訓練資料複製乙份。若為true，則執行pca演算法後，原始訓練資料的值不            會有任何改變，因為是在原始資料的副本上進行運算；若為false，則執行pca演算法後，原始訓練資料的              值會改，因為是在原始資料上進行降維計算。

型別：bool，預設時預設為false

意義：白化，使得每個特徵具有相同的方差。關於「白化」，可參考：ufldl教程

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_：

fit()可以說是scikit-learn中通用的方法，每個需要訓練的演算法都會有fit()方法，它其實就是演算法中的「訓練」這一步驟。因為pca是無監督學習演算法，此處y自然等於none。

fit(x)，表示用資料x來訓練pca模型。

函式返回值：呼叫fit方法的物件本身。比如pca.fit(x)，表示用x對pca這個物件進行訓練。

用x來訓練pca模型，同時返回降維後的資料。

newx=pca.fit_transform(x)，newx就是降維後的資料。

將降維後的資料轉換成原始資料，x=pca.inverse_transform(newx)

將資料x轉換成降維後的資料。當模型訓練好後，對於新輸入的資料，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，以後用到再補充吧。

scikit learn中PCA的使用方法

原博文 blog 在前一篇文章 主成分分析 pca 中，我基於python和numpy實現了pca演算法，主要是為了加深對演算法的理解，演算法的實現很粗糙，實際應用中我們一般呼叫成熟的包，本文就結束scikit learn中pca使用的方法和需要注意的細節，參考 sklearn.decomposit...

sklearn中的PCA使用方法

最近在做資料分析的實驗，在準備進行pca資料降維的時候產生了疑問，既然訓練集和測試集不能放在一起降維，那如何讓測試集的維度降到和訓練集一樣，看到sklearn提供的方法裡有乙個tranform實現了這個功能，豁然開朗。不知道sklearn裡的lda和其他降維方法有沒有類似的功能，歡迎大佬指點。若以後...

pythonpip使用方法 pip使用方法整理

匯出專案已安裝的pip包 pip list 檢視專案中安裝的包 pip freeze requirements.txt 將專案中所用到的第三方庫輸出到requirements.txt中 pip install 版本號 pip install i 本次使用清華源進行安裝 離線安裝第三方庫 一鍵安裝整個...