PCA 影响机器学习的可解释性吧？

[huzhikuizainali]

比如样本有多个属性(变量)：年龄，性别，年收入，年消费额，年投资额……如果直接做回归预测，比如预测样本第二年的消费额。出来的结果是有可解释性的。因为所有属性都在。

但是如果应用了 PCA 降维以后，原有属性都淹没在新的属性当中了吧？可是新属性的含义有不明。所以是不是影响机器学习结论的可解释性？

如果是，有什么可以增加解释性的的解决方法么？

[ypw]

pca 可以提供每个属性的权重，并不是新属性含义不明。

事实上 pca 只是一个线性变换：

```py
np.dot(X, pca.components_.T)
```

参考链接： https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html

[GrayXu]

> 可是新属性的含义有不明

这句话是错误的。

[huzhikuizainali]

@GrayXu 比如原来 x1 ，x2……xm 代表不同的属性。PCA 以后变成 z1 ，z2……zk （ k<m ）这是 z 和 x 怎么对应呢？有这方面的中文介绍么？

[bstjanced555]

或许 pca 可以看作是原始特征在另一空间的投影？这个空间是为了提取 x1...xm 与目标结果 y 对应的某些联合特征，也就相当于 1 楼说的属性权重