吾本轻狂|主成分分析，PCA( 二 )
Sklearn.decomposition.PCA(n_components=None,*,copy=True,whiten=False,svd_solver='auto',tol=0.0,iterated_power='auto',random_state=None)
PCA:principalcomponentanalysis(PCA)
上述代码中的主成分分析使用的是SVD（singularvaluedecomposition,奇异值分解）方法 。LineardimensionalityreductionusingSingularValueDecompositionofthedatatoprojectittoalowerdimensionalspace.
PCAskipslesssignificantcomponent.Obviously,wecanuseSVDtofindPCAbytruncatingthelessimportantbasisvectorsintheoriginalSVDmatrix.
PCA方法寻找主成分的过程 ， 通过采用SVD找到所有的基础向量之后 ， 再把不怎么重要的基础向量裁断掉 。 所以这里需要先使用SVD找到矩阵X的基础向量 。
从Sklearn.decomposition.PCA()的原代码中抽出计算基础向量部分：
scipy.linalg.svd(a,full_matrices=True,compute_uv=True,overwrite_a=False,check_finite=True,lapack_driver='gesdd')
SingularValueDecomposition.奇异值分解 。
A:(M,N)array_like,matrixtodecompose ， 一个要分解的（m,n）矩阵 。
SVDReturn（返回值）:
U:unitarymatrixhavingleftsingularvectors(左奇异矩阵)ascolumns.Ofshape(M,M)or(M,K),dependingonfull_matrices.
S:ndarray,thesingularvalues（奇异值）,sortedinnon-increasingorder.Ofshape(K),withK=min(M,N).
Wh:Unitarymatrixhavingrightsingularvectors(右奇异矩阵)asrows.Ofshape(N,N)or(k,N).
任何一个矩阵A都可以拆分成如下的三个矩阵相乘 。
S长下面这样：
U：(orthogonal)(rotation) ， 正交化（旋转） 。
其中U和V为正交矩阵 ， 满足如下条件：
推荐阅读
