1、pca.explained_variance_ratio_
1、导包
from sklearn.decomposition import PCA
2、PCA的使用方法
2.1、导入相关的包
2.2、使用PCA降维钱需要对数据先进行标准化
2.3、PCA里面的参数n_components表示你想要将数据降到几维
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
Xs = scaler.fit_transform(features)
pca = decomposition.PCA(n_components=?)).fit(Xs)
3、pca.explained_variance_ratio_属性
主成分方差贡献率:该方法代表降维后的各主成分的方差值占总方差值的比例,这个比例越大,则越是重要的主成分。
通过使用这个方法确定我们最终想要的数据维度。
3.1代码如下
scree = pca.explained_variance_ratio_
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· AI与.NET技术实操系列:向量存储与相似性搜索在 .NET 中的实现
· 基于Microsoft.Extensions.AI核心库实现RAG应用
· Linux系列:如何用heaptrack跟踪.NET程序的非托管内存泄露
· 开发者必知的日志记录最佳实践
· SQL Server 2025 AI相关能力初探
· 震惊!C++程序真的从main开始吗?99%的程序员都答错了
· 【硬核科普】Trae如何「偷看」你的代码?零基础破解AI编程运行原理
· 单元测试从入门到精通
· 上周热点回顾(3.3-3.9)
· winform 绘制太阳,地球,月球 运作规律