Sklearn.decomposition.PCA:按给定比率获取组件

Question

我想使用PCA对一些数据，以获得最重要的主成分的矩阵，捕捉95%的总方差。我在找一个函数来做这个，但我找不到办法。

我只知道以下几点：

from sklearn.decomposition import PCA
# W_0 is a matrix 
pca = PCA().fit(W_0)
# get the index of the component which has variance higher than 0.95
index_component = np.min(np.argwhere(np.cumsum(pca.explained_variance_ratio_)>0.95))
# Now fit again with the given component 
pca = PCA(n_components= index_component+1)
pca.fit(W_0)

这种方法的问题是，我需要进行两次拟合，这是性能瓶颈。有更好的方法吗？

Answer 1

在文档中，您可以看到如果0< n_components <1和svd_solver == 'full'，则选择组件数，以便需要解释的方差量大于n_components指定的百分比。

若要获得至少95%方差的组件，请使用主成分分析(n_components=0.95，svd_solver='full')。