PCA ：不同数量的组件的相同解释方差比
PCA : same explained variance ratio for different number of components
我正在尝试了解 PCA。我有一个 3 维数据集，我构建了两个 PCA 模型，一个有 2 个组件，另一个有 3 个组件。但是，我不明白为什么两个 PCA 模型的解释方差比相同。
Model with 2 components: [ 0.60792494 0.31234679]
Model with 3 components: [ 0.60792494 0.31234679 0.07972828]
如果两个模型使用的数据相同，那么如果您使用所有可能的成分，则解释的方差比总和应为 1。在您的实例中，前两个成分解释了 ~91%变化。因为每个 PCA 组件都与之前的组件正交，所以您添加的任何其他组件都只会解释尚未解释的方差。因此，3 分量模型的前 2 个分量将解释与 2 分量模型相同的量，而第 3 个分量将解释额外 8% 的变异。
您正在使用 python，或许可以在 http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html
中找到直观的介绍和示例
我正在尝试了解 PCA。我有一个 3 维数据集，我构建了两个 PCA 模型，一个有 2 个组件，另一个有 3 个组件。但是，我不明白为什么两个 PCA 模型的解释方差比相同。
Model with 2 components: [ 0.60792494 0.31234679]
Model with 3 components: [ 0.60792494 0.31234679 0.07972828]
如果两个模型使用的数据相同，那么如果您使用所有可能的成分，则解释的方差比总和应为 1。在您的实例中，前两个成分解释了 ~91%变化。因为每个 PCA 组件都与之前的组件正交，所以您添加的任何其他组件都只会解释尚未解释的方差。因此，3 分量模型的前 2 个分量将解释与 2 分量模型相同的量，而第 3 个分量将解释额外 8% 的变异。
您正在使用 python，或许可以在 http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html
中找到直观的介绍和示例