PCA解释方差比的解释答案

【问题标题】：Interpretation of PCA explained variance ratioPCA解释方差比的解释
【发布时间】：2019-04-14 18:37:12
【问题描述】：

我使用以下代码：

# Fit PCA

pca = PCA(n_components=3)
pca.fit(data)

# Plot
plt.plot(range(0,3), pca.explained_variance_ratio_)
plt.ylabel('Explained Variance')
plt.xlabel('Principal Components')
plt.title('Explained Variance Ratio')
plt.show()
pca.explained_variance_ratio_

由此我得到下图：

和array([0.92540219, 0.06055593, 0.01404188])

我不明白为什么它只显示两个主要组件？它应该是 92.54%（由第一个组件解释的信息），而在图表中它小于 20%？请帮我解决这个误解。

【问题讨论】：

标签： python-3.x scikit-learn pca

【解决方案1】：

事实上，正如documentation 所述，explained_variance_ratio_ 返回每个选定组件解释的方差百分比。因此，它完全符合您的预期，您的图表也显示了这一点。

这种方式应该清楚一点：

import matplotlib.pyplot as plt
%matplotlib inline

plt.plot(range(0,3), [0.92540219, 0.06055593, 0.01404188])
plt.ylabel('Explained Variance')
plt.xlabel('Principal Components')
plt.xticks(range(0,3),
           ["1st comp", "2nd comp", "3rd comp"], rotation=60)
plt.title('Explained Variance Ratio')
plt.show()

【讨论】：

【解决方案2】：

它显示了所有三个组件。 pca.explained_variance_ratio_ 的值绘制在图表中 x 轴上的 0、1 和 2 处。第一个值位于 (0, 0.92540219)，第二个位于 (1, 0.06055593)，最后一个位于 (2, 0.01404188)。

【讨论】：