Python SKPCA解释方差和解释方差比率差异
我试图从特征向量中得到方差Python SKPCA解释方差和解释方差比率差异,python,scikit-learn,pca,covariance,Python,Scikit Learn,Pca,Covariance,我试图从特征向量中得到方差 PCA中的explained\u variation\u ratio\u和explained\u variation\u之间有什么区别?解释方差的百分比为: explained_variance_ratio_ 方差即协方差矩阵的特征值为: explained_variance_ 公式: explained\u variance\u ratio\uu=explained\u variance\uu/np.sum(explained\u variance) 示例: i
PCA
中的explained\u variation\u ratio\u
和explained\u variation\u
之间有什么区别?解释方差的百分比为:
explained_variance_ratio_
方差即协方差矩阵的特征值为:
explained_variance_
公式:
explained\u variance\u ratio\uu=explained\u variance\uu/np.sum(explained\u variance)
示例:
import numpy as np
from sklearn.decomposition import PCA
X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
pca = PCA(n_components=2)
pca.fit(X)
也基于上述公式:
7.93954312/(7.93954312+0.06045688)=0.99244289
从文件中:
解释的变量:数组、形状(n个分量)的数量
由每个选定组件解释的差异
等于n_分量的协方差矩阵的最大特征值
十,
版本0.18中的新功能
解释的(方差)(比率)(数组,形状(n个分量)百分比)
由每个选定组件解释的差异
如果未设置n_分量,则存储所有分量,并计算总和
比率的百分比等于1.0
这只是标准化,看看每个主成分有多重要。你可以说:
explained\u variance\u ratio\uu=explained\u variance\uu/np.sum(explained\u variance\uu)
如果我的答案有帮助,请告诉我
pca.explained_variance_
array([7.93954312, 0.06045688]) # the actual eigenvalues (variance)
pca.explained_variance_ratio_ # the percentage of the variance
array([0.99244289, 0.00755711])