我正在对我的数据(约250个特征)运行PCA，并看到所有点都聚集在3个blob中。
是否有可能看到250个特征中哪一个对结果贡献最大?如果有，那是怎么回事?
(使用Scikit-learn实现)
让我们看看维基百科是怎么说的:
PCA在数学上被定义为一种正交线性变换，它将数据转换为新坐标系统，使得数据的某些投影的最大方差位于第一个坐标(称为第一主成分)，第二个方差位于第二个坐标，依此类推。
为了得到"流入"是如何从原始空间到较小空间的向量，你也必须将它们投影出来。这是通过:
res = pca.transform(np.eye(D))
-
np.eye(n)创建n x n对角线矩阵(对角线上1，其他为0)。 - 因此，
np.eye(D)是你在原始特征空间 中的特征 -
res是你的特征在低空间的投影。
res是一个D x d矩阵，其中res[i][j]表示"有多少特性i对组件j有贡献"
然后，你可以对列求和得到一个D x 1矩阵(称为贡献，其中每个contribution[i]是特征i的总贡献。
排序，你会发现最有贡献的特性:)
不确定是否清楚，可以添加任何额外的信息。
希望这有帮助，pltrdy