特征选择----PCA降维核心参数分析

文章目录

序论

  * n_components=mle
  * 百分比型n_components

* svd_solver参数简述
* random_state参数
* 总结

序言

之前的一篇博客]()，我们已经掌握了PCA的基本应用方法；但对其内部的各项参数与特性却尚未有深入的理解；接下来的文章中；我们将系统性地探讨PCA的各项核心特性

关于参数n_components的简单概述

n_components参数控制着该模型降维后所包含的特征维度数。
默认值为min(X.shape) 。
具体来说，n_components可以采用以下三种形式：

• 整数类型 ：n_components的取值范围限定在[0, min(X.shape)]区间内。这种方法主要是人工设定留下的特征数量。常见问题在于所选特征的信息携带能力不足。解决办法是通过构建可解释性方差曲线来选择最优超参数。
• mle ：最大似然估计（MLE）是一种方法，可以让主成分分析（PCA）自动确定最佳参数设置。其主要优点是可以有效降低数据维度。然而计算过程相对耗时较长。
• 信息量占比 ：取值范围限定在0到1之间。所选主成分能够携带超过指定比例的信息总量。特别注意，在这种情况下需要将svd_solver参数设置为'