sklearn中的降维算法PCA和SVD

sklearn中的降维算法PCA和SVD
　　1 概述
　　　　1.1 从什么叫“维度”说开来
　　　　1.2 sklearn中的降维算法
　　2 PCA与SVD
　　　　2.1 降维究竟是怎样实现？
　　　　2.2 重要参数n_components
　　　　　　2.2.1 迷你案例：高维数据的可视化
　　　　　　2.2.2 最大似然估计自选超参数
　　　　　　2.2.3 按信息量占比选超参数
　　　　2.3 PCA中的SVD
　　　　　　2.3.1 PCA中的SVD哪里来？
　　　　　　2.3.2 重要参数svd_solver 与 random_state
　　　　　　2.3.3 重要属性components_
　　　　2.4 重要接口inverse_transform
　　　　　　2.4.1 迷你案例：用人脸识别看PCA降维后的信息保存量
　　　　　　2.4.2 迷你案例：用PCA做噪音过滤
　　　　2.5 重要接口，参数和属性总结
　　3 案例：PCA对手写数字数据集的降维
　　4 附录
　　　　4.1 PCA参数列表
　　　　4.2 PCA属性列表
　　　　4.3 PCA接口列表

原文地址：https://www.cnblogs.com/tianqizhi/p/10556807.html