PCA 如何找出成分
直观理解方差方向
PCA 如何找出成分 是 CoddyKit 上的免费 Data Science Academy 课时。 这是第 2 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Data Science Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Data Science Academy 课程共包含 4 节课。
方差就是信息
PCA 从一个基本想法出发：数据分布最分散的方向包含最多信息。这种分散程度称为方差。
找到分散程度最大的方向
PCA 会寻找数据点变化最大的那一条轴。这个方向就成为第一个主成分。
然后沿垂直方向寻找
下一条轴必须与第一条轴成直角，同时捕捉剩余数据中最大的分散程度。每个新成分都与其他成分正交。
成分就是新的坐标轴
这些方向共同构成一个全新的坐标系统。每个主成分都是原始特征的组合，而不只是某一列。
按重要性排序
PCA 会根据每个成分捕捉到的方差大小对成分排序，因此前几个成分包含大部分信号，后几个成分则主要包含噪声。
投影到成分上
要压缩数据，您可以将其投影到排名靠前的成分上，用少数几个有信息量的分数替代许多原始列。
解释方差比
解释方差比会告诉您每个成分保留了总分散程度的多少，因此您可以了解压缩后保留了多少信息。
在 scikit-learn 中拟合
在 scikit-learn 中设置所需的成分数量，然后使用fit_transform将宽表转换为紧凑的分数。
from sklearn.decomposition import PCA
scores = PCA(n_components=2).fit_transform(X)查看这些比率
拟合后，检查 explained_variance_ratio_，查看每个成分保留了多少信息。将它们相加即可得到保留的总方差。
pca = PCA(n_components=2).fit(X)
print(pca.explained_variance_ratio_)成分是线性的
每个成分都是特征的加权和，因此 PCA 只能捕捉线性结构。弯曲的模式需要使用其他工具。
这是压缩，不是魔法
您用少量精度换取大幅减少的列数。被舍弃的成分包含最少的方差，因此这种损失通常很小。
快速检查
有一条规则决定了 PCA 首先选择哪个方向。
回顾
PCA会找到方差最大的正交轴，为它们排序，然后将数据投影到排名靠前的轴上进行压缩。🎯
用 AI 导师学习 Python — 免费
在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。
- 课程
- 30
- 课程
- 120
常见问题解答
「PCA 如何找出成分」课时是免费的吗？
是的 — 「PCA 如何找出成分」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Data Science Academy 课程的其余内容，请升级到 CoddyKit PRO。 Data Science Academy 课程共包含 4 节课。
「PCA 如何找出成分」这节课中我会学到什么？
直观理解方差方向 你通过在浏览器中直接运行的动手代码来练习 Data Science Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Data Science Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Data Science Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 2 节课，共 4 节。
「PCA 如何找出成分」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Data Science Academy 课中编写并运行代码吗？
能。每节 Data Science Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 特征过多的诅咒
- PCA 如何找出成分
- 先缩放，再拟合 PCA
- 使用碎石图选择成分