• 主成分分析（PCA）是最常用的一种降维方法，通常用于高维数据集的探索与可视化，还可以用作数据压缩和预处理等。
• PCA可以把具有相关性的高维变量合成为线性无关的低维变量，称为主成分。主成分能够尽可能保留原始数据的信息。

原理

矩阵的主成分就是其协方差矩阵对应的特征向量，按照对应的特征值大小进行排序，最大的特征值就是第一主成分，其次是第二主成分，依次类推。

sklearn中主成分分析

在sklearn库中，可以使用sklearn。decomposition.PAC加载PCA进行降维，主要参数有

• n_components:指定主成分的个数，即降维后数据的纬度
• svd_solver:设置特征值分解的方法，默认为‘auto’，其他可选有‘full’，‘arpack’，‘randomized’。