在scikit-learn中，有一个叫做PCA的方法。这个方法接受一个百分比参数。这个网站对该参数的解释如下：
请注意下面的代码中，组件数量参数设置为.95。这意味着scikit-learn选择最小的主成分数量，使得保留了95%的方差。
> from sklearn.decomposition import PCA> # 创建模型实例 > pca = PCA(.95)我对这个解释的理解有点模糊。假设PCA的输出如下：
- PC1解释了完整方差的70%
- PC2解释了完整方差的15%
- PC3解释了完整方差的10%
- PC4解释了完整方差的4%
- PC5解释了完整方差的1%
那么，语句PCA(0.71)会返回PC1和PC5（因为它们解释了正好71%的方差），还是会返回PC1和PC2？如果我想获取0.5%的方差，即语句PCA(0.005)会返回哪个PC？
回答：
你提出了一个更普遍的问题，尽管在实践中经常使用，但很少在教程和介绍性文章中明确提到。这样的问题虽然我自己从未想过，但从初学者的角度来看是完全合理的（初学者通常不受一些惯例的约束，而这些惯例是更有经验的从业者认为理所当然的，他们甚至可能没有注意到这些惯例…）。
通常，当我们选择主成分的数量时（例如用于降维、可视化等），我们选择一个数字k，隐含的意思是从PC1开始，按顺序继续，直到（并包括）PCk。这是R语言中caret包的preProcess函数背后的原则（可以说也是所有执行类似任务的函数背后的原则，无论是在哪个软件包中）。
换句话说，至少据我所知，在你描述的情况下，我们从不通过挑选来选择PC’s（例如，选择PC2、PC4和PC5）。相反，我们总是选择一个k < n（这里n=5），然后我们继续取前k个PC，即从PC1开始。
