导语：
本文主要介绍了关于Python特征降维如何理解的相关知识，包括特征选择与降维的区别，以及python降维这些编程知识，希望对大家有参考作用。
说明
1、PCA是最经典实用的降维技术，尤其是辅助图形识别。
2. 用于降低数据集的维度，同时保持方差在数据集中的贡献特性。
保留低阶主成分，同时忽略高阶成分，这往往会保留数据中最重要的部分。
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]]
'''
本文教程操作环境：windows7系统、Python 3.9.1，DELL G3电脑。
本文为原创文章，版权归知行编程网所有，欢迎分享本文，转载请保留出处！
内容反馈