sklearn pca

PCA（Principal Component Analysis）是一种常见的数据降维方法，可以将高维数据降至低维，同时保留尽可能多的数据信息。在 sklearn 中，可以使用 PCA 类实现 PCA 操作。

PCA 类的主要参数包括：

- n_components：指定降维后的维度数，也就是保留多少个主成分。可以设置为整数、浮点数（0~1之间，表示保留的方差占比）或者字符串（如 'mle'，表示使用 MLE 方法选择主成分数）。
- svd_solver：指定奇异值分解的方法，有以下几种选择：
- 'auto'：自动选择，默认。
- 'full'：使用 scipy.linalg.svd 方法进行奇异值分解。
- 'arpack'：使用 arpack 方法进行奇异值分解，适用于稀疏数据。
- 'randomized'：使用 randomized 方法进行奇异值分解，适用于大规模数据。
- whiten：是否进行白化操作，将降维后的数据进行归一化处理。

下面是一个使用 PCA 进行数据降维的示例：

from sklearn.decomposition import PCA
from sklearn.datasets import load_iris

# 加载 iris 数据集
iris = load_iris()

# 创建 PCA 实例，指定降维后的维度数为 2
pca = PCA(n_components=2)

# 对 iris 数据集进行降维
X = pca.fit_transform(iris.data)

# 查看降维后的数据
print(X.shape)  # 输出 (150, 2)

这里使用 PCA 将 iris 数据集降至 2 维，并将降维后的数据存储在 X 中。可以看到，降维后的数据形状为 (150, 2)，即样本数为 150，特征数为 2。