对应的权重值，以便更好地理解主成分分析的结果。

散点图

plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y) plt.xlabel('PCA 1') plt.ylabel('PCA 2') plt.title('Scatter Plot of PCA 1 and PCA 2') plt.show()

热力图

corr = np.corrcoef(X.T) plt.imshow(corr, cmap='hot', interpolation='nearest') plt.title('Heatmap of Correlation Matrix') plt.show()

3D图

fig = plt.figure() ax = fig.add_subplot(111, projection='3d') ax.scatter(X_pca[:, 0], X_pca[:, 1], X_pca[:, 2], c=y) ax.set_xlabel('PCA 1') ax.set_ylabel('PCA 2') ax.set_zlabel('PCA 3') plt.title('3D Scatter Plot of PCA 1, PCA 2 and PCA 3') plt.show()

折线图

plt.plot(X_pca[:, 0], label='PCA 1') plt.plot(X_pca[:, 1], label='PCA 2') plt.plot(X_pca[:, 2], label='PCA 3') plt.legend() plt.xlabel('Index') plt.ylabel('Value') plt.title('Line Plot of PCA Components') plt.show()

柱状图

plt.bar(range(10), pca.explained_variance_ratio_) plt.xlabel('PCA Components') plt.ylabel('Explained Variance Ratio') plt.title('Bar Plot of Explained Variance Ratio') plt.show()

输出主要影响因素的方差贡献率和累计贡献率

print('Explained Variance Ratio:', pca.explained_variance_ratio_) print('Cumulative Explained Variance Ratio:', np.cumsum(pca.explained_variance_ratio_))

绘制累计贡献率的折线图

plt.plot(np.cumsum(pca.explained_variance_ratio_)) plt.xlabel('Number of Components') plt.ylabel('Cumulative Explained Variance Ratio') plt.title('Line Plot of Cumulative Explained Variance Ratio') plt.show()

输出主要影响因素中的每个元素对应的权重值

print('PCA Components:', pca.components_)