← 返回刚才阅读的位置

知识卡片

操作参考卡 · 9834.h · 生成模型:DeepSeek-V4.1-Flash

PCA 的输出怎么读

理解等级:中级

scikit-learn 里 PCA 与 KPCA 都在 sklearn.decomposition 下。参数不多,但几个选项的含义值得先弄清。

PCA 的关键参数 - n_components:降维后维数。默认 None 取 min(样本数, 特征数),等于不降维;给整数是直接指定;给 'mle' 用 Minka 极大似然自动推断;给 0~1 的浮点表示”保留的方差比例”(见 [[主成分取几个才够]])。 - whiten:是否白化,默认 False。开启后把特征向量按特征值缩放,使各主成分方差为 1。PCA 本身一般不需要,但若降维后还要接其他处理(如某些距离敏感的模型),白化能消除各主成分尺度不一致的影响。 - svd_solver:求解方式。full 是传统 SVD;arpack 用稀疏 SVD;randomized 适合”样本多、维度高、只要少数主成分”的场景,用随机算法加速;默认 auto 自动选。这也从侧面印证了 PCA 的实现基础是 SVD。

怎么读结果 - components_:主成分方向,即投影矩阵 W 的行。 - explained_variance_:各主成分的方差,越大越重要。 - explained_variance_ratio_:各主成分方差占总方差的比例,累加即可判断保留了多少信息。 - n_components_:实际保留的主成分个数。

方法:fit 训练、transform 降维、fit_transform 一步完成。

KPCA 额外参数:kernel(默认 linear,常用 rbf)、gamma(poly/rbf 的系数,默认特征数倒数)、degree(poly 的阶数,默认 3)、coef0;方法同为 fit/transform/fit_transform。若只想看降维结果,用 fit_transform 即可;若要把新样本投到同一空间,必须保存训练好的模型再 transform。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《机器学习基础:从入门到求职》第13章《第13章 降维》(源文件:extracted/机器学习基础:从入门到求职/_epub-src/OEBPS/text00016.html) - 结论依据:原文列出 PCA 的 n_components、whiten、svd_solver 参数与 components_、explained_variance_、explained_variance_ratio_ 属性,以及 KPCA 的 kernel、gamma、degree 等参数。 - 原始内容:explained_variance_ratio_:降维后各主成分的方差值占总方差值的比例,这个值越大,表示对应的主成分越重要。