您将查看上一练习中创建的 pca 实例，不同主成分所解释的方差比例。
pca
本练习是课程的一部分
通过完成这段示例代码来试试这个练习。
# Inspect the explained variance ratio per component print(____)
您将首先了解降维的概念，以及其重要性与适用场景。您会学习特征选择与特征提取的区别，并将两种技术用于数据探索。章节最后将介绍 t-SNE，这是一种强大的特征提取方法，可用于可视化高维数据集。
在特征选择的两个章节中的第一章，您将学习维度灾难，以及降维如何帮助您应对这一问题。您会接触多种技术来检测并移除对数据集增益很小的特征。原因可能包括方差很小、缺失值过多，或与其他特征高度相关。
在特征选择的第二章中，您将学习如何借助模型来找出对预测特定目标特征最重要的特征。在本章最后一节中，您将综合多个不同模型的建议，来决定哪些特征值得保留。
本章将深入讲解最常用的降维算法——主成分分析（PCA）。您将建立对该算法为何强大、如何发挥作用的直观理解，并将其用于数据探索以及建模流水线中的数据预处理。最后，您将以一个有趣的图像压缩用例收尾。
当前练习