1回答

liuyubobobo

2021-09-13

已采纳

你理解错了一个很重要的概念。PCA 的作用不是拟合。PCA 既不能解决回归问题，也不能解决分类问题。PCA 的作用是降维。使用 PCA，可以将一个 m*n 的数据，在尽量少地丢失信息的情况下，转换成 m*k 的数据（k < n）。当维度降低以后，再使用回归算法或者分类算法，可以更容易地得到更好的结果（因为降低了维度，避免了维度灾难。）

所以：

1）因为 PCA 不适用于解决回归问题的，所以 PCA 算法没有 R^2 这个指标；

3）同理，因为 PCA 根本不是一个回归算法或者分类算法，它没有过拟合的概念；

2） sklearn 的 PCA 的 score 参数，是在将 PCA 作为 概率 PCA 模型（PPCA）使用的时候，才有意义的一个参数。PPCA 是一个比较高级的概念，这个课程不涉及，所以，在这个课程讲解的范围内，我们不会使用 score 的。如果对 PPCA 感兴趣，可以在互联网上搜索“概率 PCA”或者“PPCA”来了解学习更多相关的内容。

继续加油！：）  

3

1

weixin_慕数据9110392

非常感谢老师！

2021-09-14

共1条回复