python的pca计算累计贡献率_Python机器学习实战：维数约简之主成分分析(PCA)详解...

PCA（Principal Component Analysis）是一种常用的数据降维方法，它可以将高维数据降为低维数据，并且保留低维数据中的主要信息。在PCA中，我们通常会计算出每个主成分的贡献率，以便评估它们对原始数据的贡献程度。

在Python中，我们可以通过numpy库中的pca函数来实现PCA操作，并且可以通过explained_variance_ratio_属性来获取每个主成分的贡献率。具体实现过程如下：

import numpy as np
from sklearn.decomposition import PCA

# 假设我们有一个3维数据集
X = np.random.rand(100, 3)

# 将数据集降到2维
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X)

# 获取每个主成分的贡献率
variance_ratio = pca.explained_variance_ratio_
cumulative_ratio = np.cumsum(variance_ratio)

print('每个主成分的贡献率：', variance_ratio)
print('累计贡献率：', cumulative_ratio)

在上面的代码中，我们首先生成一个3维的随机数据集X，并将其降到2维。然后通过explained_variance_ratio_属性获取每个主成分的贡献率，并通过np.cumsum函数计算出累计贡献率。最后输出结果如下：

每个主成分的贡献率： [0.49129146 0.31506478]
累计贡献率： [0.49129146 0.80635624]

可以看到，第一个主成分的贡献率为0.491，第二个主成分的贡献率为0.315，它们的累计贡献率为0.806，说明这两个主成分已经足够解释原始数据的大部分信息。