• n_components：一个整数，指定降维后的维数。

        • 如果为None，则选择它的值为 min(n_samples,n_features) 。
        • 如果为字符串'mle'，则使用Minka's MLE算法来猜测降维后的维数。
        • 如果为大于0，小于1的浮点数，则指定的是降维后的维数占原始维数的百分比。

      • copy：一个布尔值，指定是否拷贝原始数据。

      • whiten：一个布尔值，指定是否执行白化操作。

        如果为True，则会将特征向量除以 n_samples倍的特征值，从而保证非相关的输出的方差为1。

        白化操作可能会丢弃部分信息，但是它有时候在接下来的学习器学习阶段能获得更佳的性能。

    2. 属性：

      • components_：一个数组，给出主成分。
      • explained_variance_：一个数组，元素是每个成分对应的 explained variance 。
      • explained_variance_ratio_：一个数组，元素是每个主成分的explained variance的比例。
      • mean_：一个数组，元素是每个特征的统计均值。
      • n_components_：一个整数，指示主成分有多少个元素。

    3. 方法：

      • fit(X[, y])：训练模型，获取降维需要的参数。
      • transform(X)：执行降维，返回降维后的样本集。
      • fit_transform(X[, y])：训练模型并执行降维，返回降维后的样本集。
      • inverse_transform(X)：执行降维的逆运算，返回降维之前的样本集合。

    4. 注意：decomposition.PCA基于scipy.linalg来实现SVD分解，因此有两个限制：

      • 无法适用于超大规模数据，因为它要求所有的数据一次加载进内存。

    5. 示例：鸢尾花数据集中，n_components_=4 ；explained_variance_ratio_=[ 0.92461621 0.05301557 0.01718514 0.00518309] 。

      降到2维的结果为：

    1. scikit-learn中的IncrementalPCA类也实现了 PCA 模型。它适用于超大规模数据，可以将数据分批加载进内存。

      其原型为：

      • batch_size：一个整数或者None，指定每个批次训练时，使用的样本数量。

        • 只有当调用fit()/partial_fit()方法时，才会用到该参数。
        • 如果为，则由算法自动推断。
      • 其它参数参考decomposition.PCA 。

    2. 属性：

      • components_：一个数组，给出主成分。

      • explained_variance_ratio_：一个数组，元素是每个主成分的explained variance的比例。

      • mean_：一个数组，元素是每个特征的统计平均值。

        每调用一次partial_fit()方法就会更新一次该属性。

      • var_：一个数组，元素是每个特征的经验方差。

        每调用一次partial_fit()方法就会更新一次该属性。

      • n_components_：一个整数，指示主成分有多少个元素。

      • n_samples_seen_：一个整数，指示目前已经处理了多少个样本。

        • 每调用一次partial_fit()方法就会更新一次该属性。
        • 每调用一次fit()方法就会清零该属性。
    3. 方法：参考decomposition.PCA 。

    1. KernelPCA是scikit-learn实现的核化PCA模型，其原型为：

      • n_components：一个整数，指定降维后的维数。

      • kernel：一个字符串或者可调用对象，指定核函数。

        • 'linear'：线性核： 一、PCA - 图1 。
        • 'rbf'（默认值）：高斯核函数： ,其中 一、PCA - 图2 由 gamma参数决定。
        • 'sigmoid'：sigmod 核函数：。其中 一、PCA - 图3 由 gamma参数决定 ，r由 coef0参数指定 。
        • 'precomputed'：表示提供了 。
        • 一个可调用对象，该对象用于计算kernel matrix 。

      • degree：一个整数，当核函数是多项式核函数时，指定多项式的系数。

        对于其他核函数，该参数无效。

      • gamma：一个浮点数，当核函数是'rbf'，'poly'，'sigmoid'时，指定核函数的系数。

        如果'auto'，则表示系数为1/n_features

      • coef0：浮点数，用于指定核函数中的自由项。

        只有当核函数是'poly'和'sigmoid'是有效。

      • 如果核函数是上述指定的字符串，则该参数不起作用。

      • alpha：一个整数，岭回归的超参数，用于计算逆转换矩阵（当fit_inverse_transform=True时）。

      • fit_inverse_transform：一个布尔值，指定是否需要计算逆转换矩阵。当为True时，需要计算逆转换矩阵。

      • eigen_solver：一个字符串，指定求解特征值的算法：

        • 'auto'：自动选择。
        • 'dense'：dense特征值求解器。
        • 'arpack'：arpack特征值求解器，用于当特征数量远小于样本数量的情形。

      • tol：一个浮点数，指定arpack特征值求解器的收敛阈值（如果为0，则自动选择阈值）。

      • max_iter：一个整数，指定arpack特征值求解器的最大迭代次数（如果为None，则自动选择）。

      • remove_zero_eig：一个布尔值。如果为True，则移除所有为零的特征值。如果n_components=None，则也会移除所有为零的特征值。

    2. 属性：

      • lambdas_：核化矩阵的特征值。
      • alphas_：核化矩阵的特征向量。
      • dual_coef_：逆转换矩阵。

    3. 方法：参考 。