11 روش اصلی وجود دارد که می توان هنگام کار با یک شی تجزیه و تحلیل مؤلفه اصلی در پایتون استفاده کرد.
در اینجا جدولی وجود دارد که تمام روش هایی را که می توان روی شی PCA اعمال کرد فهرست می کند.
| مناسب() | مدل را با X مناسب کنید. |
| fit_transform() | مدل را با X مطابقت دهید و کاهش ابعاد را روی X اعمال کنید. |
| get_covariance() | محاسبه کوواریانس داده ها با مدل مولد. |
| get_feature_names_out() | دریافت نام ویژگی های خروجی برای تبدیل. |
| get_params() | پارامترهای این برآوردگر را دریافت کنید. |
| get_precision() | محاسبه ماتریس دقت داده ها با مدل مولد. |
| inverse_transform() | داده ها را به فضای اصلی خود تبدیل کنید. |
| نمره() | میانگین احتمال ورود به سیستم همه نمونه ها را برگردانید. |
| score_samples() | احتمال گزارش هر نمونه را برگردانید. |
| set_params() | پارامترهای این برآوردگر را تنظیم کنید. |
| تبدیل() | کاهش ابعاد را به X اعمال کنید. |
برای کسب اطلاعات بیشتر، آموزش ما در مورد نحوه استفاده از PCA با پایتون را بخوانید.
روش‌های تجزیه و تحلیل مؤلفه اصلی (PCA) L’article در Scikit-Learn با پایتون این دستگاه را در اختیار JC Chouinard قرار داده است.
سئو PBN | خبر های جدید سئو و هک و سرور