scikit learn 中pca 的用法

PCA参数如下：

class sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False, svd_solver='auto', tol=0.0, iterated_power='auto', random_state=None)[source]

参数说明：
n_components
意义：PCA算法中所要保留的主成分个数n，也即保留下来的特征个数n
类型：int 或者 string，缺省时默认为None，所有成分被保留。
赋值为int，比如n_components=1，将把原始数据降到一个维度。
赋值为string，比如n_components=’mle’，将自动选取特征个数n，使得满足所要求的方差百分比。

copy
类型：bool，True或者False，缺省时默认为True。
意义：表示是否在运行算法时，将原始训练数据复制一份。
若为True，则运行PCA算法后，原始训练数据的值不会有任何改变，因为是在原始数据的副本上进行运算；
若为False，则运行PCA算法后，原始训练数据的值会改，因为是在原始数据上进行降维计算。

whiten
类型：bool，缺省时默认为False
意义：白化，使得每个特征具有相同的方差。关于“白化”，可参考：Ufldl教程

属性：

components_
类型：array，[n_components，n_features]
意义：特征空间中的主轴，表示数据中最大方差的方向。按explain_variance_排序。

explained_variance_
类型：array，[n_components]
意义：对应于每个主成分方向的方差值

explained_variance_ratio_
类型：array，[n_components]
意义：每个主成分方向的方差百分比。如果未设置n_components，则存储所有主成分，并且解释的方差的总和等于1.0

一个实例：

import numpy as np
from sklearn.decomposition import PCA
X = np.array([[-3, -1,0], [-2, -1,4], [-3, -2,6], [1, 1,-5], [2, 1,4], [3, 2,4]])
pca = PCA(n_components=3)
pca.fit(X)
print(pca.explained_variance_ratio_) 
print(pca.components_)
print(pca.mean_)
print(X.mean(axis=0))

[ 0.65472741  0.34327618  0.00199641]
[[ 0.20516068  0.17751253 -0.96249592]
 [ 0.84937517  0.45631899  0.26520708]
 [-0.48628275  0.8719302   0.05715602]]
[-0.33333333  0.          2.16666667]
[-0.33333333  0.          2.16666667]

更多参考：scikit-learn PCA官方文档