Python PCA：不同数量的成分的相同解释方差比_Python_Linear Algebra_Covariance_Pca_Variance

Python PCA：不同数量的成分的相同解释方差比

python

Python PCA：不同数量的成分的相同解释方差比,python,linear-algebra,covariance,pca,variance,Python,Linear Algebra,Covariance,Pca,Variance,我在试着理解PCA。我有一个三维数据集，我建立了两个PCA模型，一个有2个分量，另一个有3个分量。然而，我不明白为什么两种PCA模型的解释方差比率是相同的 Model with 2 components: [ 0.60792494 0.31234679] Model with 3 components: [ 0.60792494 0.31234679 0.07972828] 如果您使用的两个模型的数据相同，那么如果您使用所有可能的组件，则解释的方差比率总和应为1。在您的例子中，前两个成分

我在试着理解PCA。我有一个三维数据集，我建立了两个PCA模型，一个有2个分量，另一个有3个分量。然而，我不明白为什么两种PCA模型的解释方差比率是相同的

Model with 2 components: [ 0.60792494  0.31234679]
Model with 3 components: [ 0.60792494  0.31234679  0.07972828]

如果您使用的两个模型的数据相同，那么如果您使用所有可能的组件，则解释的方差比率总和应为1。在您的例子中，前两个成分解释了约91%的变化。由于每个PCA分量都与前面的分量正交，因此添加的任何其他分量都将仅解释尚未解释的方差。因此，三组分模型的前两个组分将解释与二组分模型相同的数量，第三个组分将解释额外8%的变化

您使用的是python，可能是一个很好的直观介绍，示例可以在

中找到。如果您使用的数据对于两个模型都是相同的，那么如果您使用所有可能的组件，则解释的方差比应为1。在您的例子中，前两个成分解释了约91%的变化。由于每个PCA分量都与前面的分量正交，因此添加的任何其他分量都将仅解释尚未解释的方差。因此，三组分模型的前两个组分将解释与二组分模型相同的数量，第三个组分将解释额外8%的变化

您使用的是python，可能是一个很好的直观介绍和示例，可以在

中找到。假设您使用的是sklearn.decomposition.PCA（如果包括它，问题的形式会更好），文档中说：explained_variance_ratio_uu:array，[n_components]由每个选定组件解释的方差百分比。如果未设置n_分量，则存储所有分量，解释的方差之和等于1.0。基本上，主成分分析是找到构成数据集所跨越空间的所有基函数。每个组件都与每个基础相关联。假设您使用的是sklearn.decomposition.PCA（如果包含该选项，问题的形式会更好），文档中说：解释的方差比：数组，[n\u组件]每个选定组件解释的方差百分比。如果未设置n_分量，则存储所有分量，解释的方差之和等于1.0。基本上，主成分分析是找到构成数据集所跨越空间的所有基函数。每个组件都与每个基础相关联。