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

---

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])