sklearn常用的API參數(shù)解析：sklearn.linear_model.LinearRegression

調(diào)用

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

參數(shù)

n_components

釋義

PCA 算法中所要保留的主成分個(gè)數(shù) n，也即保留下來的特征個(gè)數(shù) n

設(shè)置

int 或者 string，缺省時(shí)默認(rèn)為 None，所有成分被保留。賦值為 int，比如=1，將把原始數(shù)據(jù)降到一個(gè)維度 賦值為 string，比如'mle'，將自動(dòng)選取特征個(gè)數(shù) n，使得滿足所要求的方差百分比

whiten

釋義

白化，使得每個(gè)特征具有相同的方差。

設(shè)置

bool，缺省時(shí)默認(rèn)為 False 如果 PCA 降維后有后續(xù)的數(shù)據(jù)處理動(dòng)作，可以考慮白化

svd_solver

釋義

定奇異值分解 SVD 的方法

設(shè)置

auto PCA 類自動(dòng)選擇下述三種算法權(quán)衡

randomized

適用于數(shù)據(jù)量大，數(shù)據(jù)維度多同時(shí)主成分?jǐn)?shù)目比例又較低的 PCA 降維

full

傳統(tǒng)意義上的 SVD，使用了 scipy 庫(kù)對(duì)應(yīng)的實(shí)現(xiàn)

arpack

直接使用 scipy 庫(kù)的 sparse SVD 實(shí)現(xiàn)，和 randomized 的適用場(chǎng)景類似

copy

釋義

表示是否在運(yùn)行算法時(shí)，將原始訓(xùn)練數(shù)據(jù)復(fù)制一份。

設(shè)置

若為 True，則運(yùn)行 PCA 算法后，原始訓(xùn)練數(shù)據(jù)的值不會(huì)有任何改變，因?yàn)槭窃谠紨?shù)據(jù)的副本上進(jìn)行運(yùn)算；若為 False，則運(yùn)行 PCA 算法后，原始訓(xùn)練數(shù)據(jù)的值會(huì)改，因?yàn)槭窃谠紨?shù)據(jù)上進(jìn)行降維計(jì)算。

tol

停止求解的標(biāo)準(zhǔn)，float 類型，默認(rèn)值為 0 當(dāng) svd_solver 選擇‘a(chǎn)rpack’時(shí)，其運(yùn)行 SVD 算法的容錯(cuò)率

iterated_power

int 類型或者 str 類型，默認(rèn)值為‘a(chǎn)uto’ 當(dāng) svd_solver 選擇‘randomized’時(shí)，其運(yùn)行 SVD 算法的的迭代次數(shù)

random_state

int 類型，默認(rèn)為 None 偽隨機(jī)數(shù)發(fā)生器的種子,在混洗數(shù)據(jù)時(shí)用于概率估計(jì)

屬性

components_

返回具有最大方差的成分

explained_variance_

降維后的各主成分的方差值。方差值越大，則說明越是重要的主成分

explained_variance_ratio_

降維后的各主成分的方差值占總方差值的比例，這個(gè)比例越大，則越是重要的主成分

singular_values_

對(duì)應(yīng)的每個(gè)成分的奇異值

mean_

根據(jù)訓(xùn)練集估算的特征經(jīng)驗(yàn)均值=X.mean(axis = 0)

n_components_

返回所保留的成分個(gè)數(shù)n

n_features_

訓(xùn)練數(shù)據(jù)的特征個(gè)數(shù)

n_samples_

訓(xùn)練數(shù)據(jù)的樣本數(shù)

noise_variance_

返回噪聲的協(xié)方差

方法

fit(self,?X[,?y])

用數(shù)據(jù)X來訓(xùn)練PCA模型

fit_transform(self,?X[,?y])

用X來訓(xùn)練PCA模型，同時(shí)返回降維后的數(shù)據(jù)

get_covariance(self)

計(jì)算數(shù)據(jù)協(xié)方差( 用生成模型)

get_params(self[,?deep])

獲取PCA的參數(shù)

get_precision(self)

計(jì)算數(shù)據(jù)精度矩陣( 用生成模型)

inverse_transform(self,?X)

將降維后的數(shù)據(jù)轉(zhuǎn)換成原始數(shù)據(jù)，但可能不會(huì)完全一樣

score(self,?X[,?y])

計(jì)算所有樣本的log似然平均值

score_samples(self,?X)

返回每個(gè)樣本的對(duì)數(shù)似然值

set_params(self,?**params)

設(shè)置PCA的參數(shù)

transform(self,?X)

將數(shù)據(jù)X轉(zhuǎn)換成降維后的數(shù)據(jù)，當(dāng)模型訓(xùn)練好后，對(duì)于新輸入的數(shù)據(jù)，也可以用transform方法來降維

(完)

---

總結(jié)

以上是生活随笔為你收集整理的输入参数的数目不足_sklearn.decomposition.PCA 参数速查手册的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。