sklearn.decomposition.PCA参数速查手册调用sklearn.decomposition.PCA(n_components=None,copy=True,whiten=False,svd_solver='auto',tol=0.0,iterated_power='auto',random_state=None)参数n_components说明PCA算法中要保留的主成分个数n，即保留的特征个数n设置为int或string，默认为None，以及所有组件都被保留。赋值为int，比如=1，会将原始数据降维，赋值为string，比如'mle'，会自动选择特征数n，这样就可以得到需要的variancepercentagewhiten白化，使每个特征具有相同的方差。设置bool，默认为False。如果PCA降维后还有后续的数据处理动作，可以考虑白化svd_solver定义奇异值分解SVD方法。设置autoPCA类自动选择以下三种算法。Randomized适用于数据量大、多维数据和主成分比例低的PCA降维传统意义上的fullSVD，使用scipy库的对应实现arpack直接使用scipy库的sparseSVD实现，类似theapplicablescenarioofrandomizedCopyparaphraserepresentation运行算法时是否复制原始训练数据。如果设置为True，运行PCA算法后原始训练数据的值不会改变，因为操作是在原始数据的副本上进行的；如果为False，运行PCA算法后，原始训练数据的值会发生变化，因为对原始数据进行了降维计算。tolstopsolutionstandard，float类型，默认值为0当svd_solver选择'arpack'时，运行SVD算法的容错率iterated_powerint类型或str类型，默认值为'auto'当svd_solver选择'randomized'时，其运行SVD算法的迭代次数random_stateint类型，默认为None伪随机数生成器的种子，用于数据洗牌时的概率估计属性components_return方差最大的分量价值。方差值越大，主成分越重要explained_variance_ratio_各主成分降维后的方差值占总方差值的比例，该比例越大，主成分越重要singular_values_corresponds各成分的奇异值mean_empiricalmeanoffeaturesestimatedfromthetrainingset=X.mean(axis=0)n_components_returns保留分量的个数nn_features_训练数据的特征个数n_samples_训练数据的样本个数noise_variance_返回噪声协方差方法fit(self,X[,y])使用数据X训练PCA模型fit_transform(self,X[,y])使用X训练PCA模型，返回降维后的数据get_covariance(self)计算数据协方差（使用生成模型）get_params(self[,deep])获取PCA的参数get_precision(self)计算数据精度矩阵（使用生成model)inverse_transform(self,X)将降维后的数据转化为原始数据，但不一定完全一样*params)设置PCA参数transform(self,X)将数据X转化为降维后的数据。模型训练好后，也可以使用transform方法对新输入的数据进行降维。OpenWrite发布！
