【发布时间】：2015-09-30 03:00:12
【问题描述】：
在选择主成分的数量 (k) 时，我们选择 k 作为最小值，以便保留例如 99% 的方差。
但是，在 Python Scikit 学习中，我不是 100% 确定 pca.explained_variance_ratio_ = 0.99 等于“保留了 99% 的方差”？有人能解惑吗？谢谢。
- Python Scikit 学习 PCA 手册在这里
【问题讨论】：
标签： python scikit-learn pca
【发布时间】：2015-09-30 03:00:12
【问题描述】：
是的，你几乎是对的。 pca.explained_variance_ratio_ 参数返回每个维度解释的方差向量。因此pca.explained_variance_ratio_[i] 给出了仅由第 i+1 维解释的方差。
你可能想做pca.explained_variance_ratio_.cumsum()。这将返回一个向量 x，这样 x[i] 返回由前 i+1 个维度解释的累积方差。
import numpy as np
from sklearn.decomposition import PCA
np.random.seed(0)
my_matrix = np.random.randn(20, 5)
my_model = PCA(n_components=5)
my_model.fit_transform(my_matrix)
print my_model.explained_variance_
print my_model.explained_variance_ratio_
print my_model.explained_variance_ratio_.cumsum()
[ 1.50756565 1.29374452 0.97042041 0.61712667 0.31529082]
[ 0.32047581 0.27502207 0.20629036 0.13118776 0.067024 ]
[ 0.32047581 0.59549787 0.80178824 0.932976 1. ]
所以在我的随机玩具数据中，如果我选择k=4，我会保留 93.3% 的方差。
【讨论】：
-
非常感谢！很好的解释！有时 Python 手册的文档/解释很差。我完全开悟了！
-
还有一个问题：当我们做 PCA(n_components=1) 时，scikit learn “PCA”命令执行“从归一化数据计算协方差矩阵”和“使用单值分解 (SVD)计算特征向量“？在 Python scikit learn PCA 模块中，我看不到任何地方可以选择其他方法来计算特征向量。
-
很好的答案！这真的帮助了我
-
我认为复制结果的第一个成员中缺少一些“*e-int”。这可能会令人困惑。否则，这很棒！ +1
-
@AChervony，不确定你的意思。
虽然这个问题已经超过 2 年，但我想提供一个更新。 我也想做同样的事情，看起来 sklearn 现在提供了开箱即用的功能。
如docs中所述
如果 0
所以现在需要的代码是
my_model = PCA(n_components=0.99, svd_solver='full')
my_model.fit_transform(my_matrix)
【讨论】：
这对我有用，在 PCA 部分输入更少。 为方便起见，添加了其余部分。只有“数据”需要在更早的阶段进行定义。
import sklearn as sl
from sklearn.preprocessing import StandardScaler as ss
from sklearn.decomposition import PCA
st = ss().fit_transform(data)
pca = PCA(0.80)
pc = pca.fit_transform(st) # << to retain the components in an object
pc
#pca.explained_variance_ratio_
print ( "Components = ", pca.n_components_ , ";\nTotal explained variance = ",
round(pca.explained_variance_ratio_.sum(),5) )
【讨论】：