1、函數原型及參數說明 參數說明： n_components: 意義：PCA演算法中所要保留的主成分個數n，也即保留下來的特征個數n 類型：int 或者 string，預設時預設為None，所有成分被保留。 賦值為int，比如n_components=1，將把原始數據降到一個維度。 賦值為string ...
1、函數原型及參數說明
class sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False)
參數說明：
n_components:意義：PCA演算法中所要保留的主成分個數n，也即保留下來的特征個數n 類型：int 或者 string，預設時預設為None，所有成分被保留。 賦值為int，比如n_components=1，將把原始數據降到一個維度。 賦值為string，比如n_components='mle'，將自動選取特征個數n，使得滿足所要求的方差百分比。
copy:
類型：bool，True或者False，預設時預設為True。意義：表示是否在運行演算法時，將原始訓練數據複製一份。
若為True，則運行PCA演算法後，原始訓練數據的值不會有任何改變，因為是在原始數據的副本上進行運算；
若為False，則運行PCA演算法後，原始訓練數據的值會改，因為是在原始數據上進行降維計算。
whiten:
類型：bool，預設時預設為False
意義：白化，使得每個特征具有相同的方差。關於“白化”，可參考：Ufldl教程
2、PCA的對象
components_ ：返回具有最大方差的成分。 explained_variance_ratio_：返回 所保留的n個成分各自的方差百分比。 n_components_：返回所保留的成分個數n。 mean_： noise_variance_：
3、PCA對象的方法
fit(X,y=None)
fit()可以說是scikit-learn中通用的方法，每個需要訓練的演算法都會有fit()方法，它其實就是演算法中的“訓練”這一步驟。因為PCA是無監督學習演算法，此處y自然等於None。 fit(X)，表示用數據X來訓練PCA模型。 函數返回值：調用fit方法的對象本身。比如pca.fit(X)，表示用X對pca這個對象進行訓練。fit_transform(X)
用X來訓練PCA模型，同時返回降維後的數據。 newX=pca.fit_transform(X)，newX就是降維後的數據。
inverse_transform()
將降維後的數據轉換成原始數據，X=pca.inverse_transform(newX)
transform(X)
將數據X轉換成降維後的數據。當模型訓練好後，對於新輸入的數據，都可以用transform方法來降維。此外，還有get_covariance()、get_precision()、get_params(deep=True)、score(X, y=None)等方法，以後用到再補充吧。
4、舉例
以一組二維的數據data為例，data如下，一共12個樣本（x,y），其實就是分佈在直線y=x上的點，並且聚集在x=1、2、3、4上，各3個。
>>> data array([[ 1. , 1. ], [ 0.9 , 0.95], [ 1.01, 1.03], [ 2. , 2. ], [ 2.03, 2.06], [ 1.98, 1.89], [ 3. , 3. ], [ 3.03, 3.05], [ 2.89, 3.1 ], [ 4. , 4. ], [ 4.06, 4.02], [ 3.97, 4.01]])
data這組數據，有兩個特征，因為兩個特征是近似相等的，所以用一個特征就能表示了，即可以降到一維。下麵就來看看怎麼用sklearn中的PCA演算法包。
（1）n_components設置為1，copy預設為True，可以看到原始數據data並未改變，newData是一維的。
>>> from sklearn.decomposition import PCA >>> pca=PCA(n_components=1) >>> newData=pca.fit_transform(data) >>> newData array([[-2.12015916], [-2.22617682], [-2.09185561], [-0.70594692], [-0.64227841], [-0.79795758], [ 0.70826533], [ 0.76485312], [ 0.70139695], [ 2.12247757], [ 2.17900746], [ 2.10837406]]) >>> data array([[ 1. , 1. ], [ 0.9 , 0.95], [ 1.01, 1.03], [ 2. , 2. ], [ 2.03, 2.06], [ 1.98, 1.89], [ 3. , 3. ], [ 3.03, 3.05], [ 2.89, 3.1 ], [ 4. , 4. ], [ 4.06, 4.02], [ 3.97, 4.01]])
（2）將copy設置為False，原始數據data將發生改變。
>>> pca=PCA(n_components=1,copy=False) >>> newData=pca.fit_transform(data) >>> data array([[-1.48916667, -1.50916667], [-1.58916667, -1.55916667], [-1.47916667, -1.47916667], [-0.48916667, -0.50916667], [-0.45916667, -0.44916667], [-0.50916667, -0.61916667], [ 0.51083333, 0.49083333], [ 0.54083333, 0.54083333], [ 0.40083333, 0.59083333], [ 1.51083333, 1.49083333], [ 1.57083333, 1.51083333], [ 1.48083333, 1.50083333]])
（3）n_components設置為'mle'，看看效果，自動降到了1維。
>>> pca=PCA(n_components='mle') >>> newData=pca.fit_transform(data) >>> newData array([[-2.12015916], [-2.22617682], [-2.09185561], [-0.70594692], [-0.64227841], [-0.79795758], [ 0.70826533], [ 0.76485312], [ 0.70139695], [ 2.12247757], [ 2.17900746], [ 2.10837406]])
（4）對象的屬性值
>>> pca.n_components 1 >>> pca.explained_variance_ratio_ array([ 0.99910873]) >>> pca.explained_variance_ array([ 2.55427003]) >>> pca.get_params <bound method PCA.get_params of PCA(copy=True, n_components=1, whiten=False)>
我們所訓練的pca對象的n_components值為1，即保留1個特征，該特征的方差為2.55427003，占所有特征的方差百分比為0.99910873，意味著幾乎保留了所有的信息。get_params返回各個參數的值。
（5）對象的方法
>>> newA=pca.transform(A)
對新的數據A，用已訓練好的pca模型進行降維。
（6）設置參數
>>> pca.set_params(copy=False)
PCA(copy=False, n_components=1, whiten=False)
設置參數。
參考：
scikit-learn官網樣例：http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html#sklearn.decomposition.PCA
博文：http://blog.csdn.net/u012162613/article/details/42192293
