PCA 不会学习"部件"
与 NMF 不同，PCA 并不会学习事物的"部件"。它的主成分在文档场景下不会对应主题，在图像场景下也不会对应图像的局部结构。请通过检查在上一个练习的 LED 数字图像数据集上拟合得到的 PCA 模型的主成分来亲自验证这一点。图像以二维数组 samples 提供。同时还提供了修改版的 show_as_image() 函数：当像素值为负时会将其显示为红色。
提交答案后，您会注意到：PCA 的主成分并不能表示 LED 数字图像中有意义的"部件"！
本练习是课程的一部分
Python 中的无监督学习
练习说明
- 从
sklearn.decomposition导入PCA。 - 创建一个包含
7个主成分的PCA实例，命名为model。 - 对
model应用.fit_transform()方法，传入samples。将结果赋值给features。 - 遍历模型的每个主成分（通过
model.components_访问），在循环内对该主成分调用show_as_image()函数。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Import PCA
____
# Create a PCA instance: model
model = ____
# Apply fit_transform to samples: features
features = ____
# Call show_as_image on each component
for component in ____:
____