人工智能（降维）——主成分分析（PCA)_pca主成分分析降维

目录

1 知识回顾

1.1 方差 

1.2 协方差

1.3 特征向量和特征值

2 主要成份分析 

2.1 数据降维

2.2 主成分分析原理

2.3 算法过程 

3 参数说明 

3.1 sklearn.decomposition.PCA

3.2 PCA对象的方法 

4 案例 

5 Python代码实现

5.1 代码

5.2 结果

1 知识回顾

在介绍 PCA 的原理之前需要回顾涉及到的相关术语：

• 方差

• 协方差

• 协方差矩阵

• 特征向量和特征值

1.1 方差 

方差：是各个样本和样本均值的差的平方和的均值， 用来度量一组数据的分散程度。

1.2 协方差

用于 度量两个变量之间的线性相关性程度 ，若两个变量的协方差为0 ，则可认为二者线性无关。协方差矩阵则是由变量的协方差值构成的矩阵（对称阵）。

1.3 特征向量和特征值

特征向量：矩阵的特征向量是描述数据集结构的非零向量，并满足如下公式：

     

A是方阵，

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Cpp五条/article/detail/649140