sklearn中PCA使用方法

1.函数原型

sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False)

返回一个PCA对象，以下是三个参数的填写说明：

参数	说明
n_components	①int：PCA算法中所要保留主成分的个数；②float：重构阈值；③none：特征个数不变（但是数据本身会变）
copy	True或False，是否复制原始数据
whiten	True或False，是否白化，使得每个特征具有相同的方差

2.PCA对象的属性

属性	说明
explained_variance_ratio_	重构的阈值
n_components_	保留的特征个数

3.PCA对象的常用方法

方法	说明
fit(x)	用数据X来训练PCA模型
fit_transform(x)	用数据X来训练PCA模型同时返回降维后的数据
inverse_transform(y)	将降维后的数据y转回原始数据x
transform(x)	在PCA模型已经训练好的情况下，将x进行降维

4.简单使用

print('输入前矩阵',iris_data.shape)
irisPca = PCA(n_components=2)
pcaDate = irisPca.fit_transform(iris_data)
print('输入后矩阵',pcaDate.shape)

输出结果，成功的降到了二维：

输入前矩阵 (150, 5)
输入后矩阵 (150, 2)