说明
1、PCA是最经典、最实用的降维技术，尤其在辅助图形识别中表现突出。
2、用来减少数据集的维度，同时保持数据集中对方差贡献特征。
保持低阶主成分，而忽略高阶成分，低阶成分往往能保留数据的最重要部分。
实例
from sklearn.feature_selection import VarianceThreshold # 特征选择 VarianceThreshold删除低方差的特征(删除差别不大的特征) var = VarianceThreshold(threshold=1.0) # 将方差小于等于1.0的特征删除。 默认threshold=0.0 data = var.fit_transform([[0, 2, 0, 3], [0, 1, 4, 3], [0, 1, 1, 3]]) print(data) ''' [[0] [4] [1]] '''
以上就是Python特征降维的理解，希望对大家有所帮助。更多Python学习指路：
本文教程操作环境：windows7系统、Python 3.9.1，DELL G3电脑。