Python scikit学习pca.explained_variance_ratio

小编典典

Python scikit学习pca.explained_variance_ratio_截止

python

在选择主成分数（k）时，我们选择k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”吗？谁能启发？谢谢。

Python Scikit学习PCA手册在这里

http://scikit-
learn.org/stable/modules/generation/sklearn.decomposition.PCA.html#sklearn.decomposition.PCA

阅读 785

2021-01-20

共1个答案

小编典典

是的，您几乎是正确的。该pca.explained_variance_ratio_参数返回每个维度所解释的方差矢量。因此pca.explained_variance_ratio_[i]
给出仅由第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，该向量将返回由前i +
1个维度解释x[i]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.        ]

因此，在我的随机玩具数据中，如果我选择，k=4我将保留93.3％的方差。

2021-01-20