python 训练并保存PCA模型

PCA（Principal Component Analysis）主成分分析是一种常用的数据降维技术，可以将高维数据降为低维数据，同时保留数据的主要特征。下面演示如何使用Python训练并保存PCA模型。

首先，我们需要导入必要的库：

import numpy as np
from sklearn.decomposition import PCA

接着，我们生成一个随机矩阵作为样本数据：

X = np.random.rand(100, 10)

然后，我们使用sklearn中的PCA类来训练PCA模型：

pca = PCA(n_components=3)
pca.fit(X)

这里我们指定了n_components参数为3，表示要将样本数据降到3维。fit方法会对样本数据进行降维，并学习出PCA模型的主成分。

最后，我们可以使用transform方法将原始数据降维，得到降维后的数据：

X_pca = pca.transform(X)

如果想保存训练好的PCA模型，可以使用sklearn中的joblib库：

from sklearn.externals import joblib

joblib.dump(pca, 'pca_model.pkl')

这里我们将PCA模型保存为pca_model.pkl文件。如果想加载已保存的模型，可以使用joblib.load方法：

pca = joblib.load('pca_model.pkl')