sklearn
中降维算法都被包括在模块
decomposition
中，这个模块本质是一个矩阵分解模块。
重要参数：
n_components
1、通过高维数据的可视化操作，进行判断；
2、最大似然估计自选超参数；
3、按信息量占比选超参数。
svd_solver
有四种模式可选：
"auto", "full", "arpack", "randomized"，默认
”auto"
。
"
auto
"：基于
X.shape
和
n_components
的默认策略来选择分解器
"
full
"
：
适合数据量比较适中，计算时
间充足的情况.
"
arpack
"：
可以加快运算速度，适合特征矩阵很大的时候，但一般用于
特征矩阵为稀疏矩阵的情况
" randomized": 适合特征矩阵巨大，计算量庞大的情况 。
" randomized": 适合特征矩阵巨大，计算量庞大的情况 。
random_state:
在参数
svd_solver
的值为
"arpack" or "randomized"
的时候生效，可以控制这两种
SVD
模式中的随机模式。
components_
V(k,n)是新特征空间，是我们要将原始数据进行映射的那些新特征向量组成的矩阵
inverse_transform
基于X_dr中的数据进行升维，将数据重新映射到原数据所在的特征空间中，而并非恢复所有原有的数据