为什么PCA的数量发生了变化？

Question

我在数据集上进行PCA。为了找到PCA的最佳数量，我将功能数量用作PCA的数量。但是，当我查看解释的差异比率时，我注意到PCA的数量已更改。最初，数据集为200 * 300，因此在使用＃组件= 300的PCA后，我应该得到300个PCA及其相应的差异比率，但是我得到了200。

代码在这里：

# Standardize the data
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
# Find the optimal number of PCA 
#pca.explained_variance_ratio_
pca = PCA()
pca.fit(X_train_scaled)
ratios = pca.explained_variance_ratio_

我只是弄清楚了为什么，所以在下面回答这个问题。

Answer 1

这实际上是由于Sklearn中的PCA的内置设置：

n_components：int，none或要保留的组件的字符串号。

如果未设置n_components，所有组件都保留：n_components == min（n_samples，n_features）

因此，当我们的数据集的样本少于其功能时，PCA会自动选择样品数量作为组件数量。