机器数据分析平台

  • 机器数据分析平台 > 使用文档 > 应用平台 > Pandora机器学习工具包 >fit的使用方法详述 > 特征加工 > 主成分分析 - Principal Component Analysis/PCA

    主成分分析 - Principal Component Analysis/PCA

    最近更新时间:2022-02-24 17:16:49

    主成分分析(PCA)通过计算协方差矩阵分解特征向量,通过线性投影,将高位的数据映射到地位的空间中表示,并期望在投影的维度上数据的方差最大,以此实现尽可能用少的特征数据解释最多的信息。

    语法:

    ..| fit PCA n_components=<int | float | mle | none(default) | > svd_solver=<auto(default) | full | arpack | randomized> <feature_field_1> <feature_field_2> [into model_name]...  
    

    参数说明:

    • n_components参数,用来指定保留多少个特征,即要降维到的维度数。如不提供,n_components默认为None。

      • n_components=int,即直接指定降维到的维度数目。
      • n_components=float, 即使用输入的值作为主成分的方差和所占的最小比例阈值,让PCA类自己去根据样本特征方差来决定降维到的维度数。
      • n_components=mle, 即PCA使用MLE算法自行决定将维到的维度数。
      • n_components=None(默认值), 使用min(样本数,特征数)作为维度数目。
    • svd_solver参数,用来指定奇异值分解SVD的方法,由于特征分解是奇异值分解SVD的一个特例,一般的PCA库都是基于SVD实现的。

      • svd_solver=auto(默认值),PCA方法自行从以下三种选项选择一种最合适的方法。
      • svd_solver=full, 使用传统意义上的SVD LAPACK分解。
      • svd_solver=arpack,使用加快的SVD ARPACK分解没适用于数据维度多同时主成分数目比例又较低的PCA降维。在这种场景下,n_components必须要小于样本量和特征量中偏小的一个。
      • svd_solver=randomized,使用Halko等人提出的分解方法。
    以上内容是否对您有帮助?
  • Qvm free helper
    Close