主成分分析解释方差（PCAExplainedVariance）使用文档

组件名称	主成分分析解释方差（PCAExplainedVariance）
工具集	机器学习/算法设计/机器学习/评估/主成分分析解释方差（PCAExplainedVariance）
组件作者	雪浪云-燕青
文档版本	1.0
功能	主成分分析解释方差（PCAExplainedVariance）
镜像名称	ml_components:3
开发语言	Python

组件原理

PCA（Principal Component Analysis）是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。PCA通常用于降低大型数据集的维数，方法是数据集中的指标数量变少，并且保留原数据集中指标的大部分信息。总而言之：减少数据指标数量，保留尽可能多的信息

通过计算协方差矩阵的特征向量和特征值来确定数据的主成分。主成分定义：主成分是由初始变量的线性组合或混合构成的新变量。新变量是互不相关的，并且初始变量中的大部分信息被挤压或压缩到第一成分中。通俗来讲，十维数据给十个主成分，PCA试图将最大可能信息放在第一个组件中，然后第二组件中放置最大的剩余信息.

支持sklearn文件输入。

支持image文件输出。