1. 观察重构误差 可以通过计算原始数据和使用PCA重构后的数据之间的误差来评估PCA的质量。重构误差越小，表示PCA能够更好地将数据压缩和还原。 示例代码：

import torch

加载数据

data = torch.randn(100, 10)

计算PCA

u, s, v = torch.pca_lowrank(data)

计算重构数据

reconstructed_data = torch.mm(u * s, v.t())

计算重构误差

reconstruction_error = ((data - reconstructed_data) ** 2).mean() print('重构误差为：', reconstruction_error.item())

2. 观察每个主成分的方差贡献率 可以通过计算每个主成分的方差贡献率来评估PCA的质量。方差贡献率越大，表示PCA能够更好地保留数据的主要特征。 示例代码：

import torch

加载数据

data = torch.randn(100, 10)

计算PCA

u, s, v = torch.pca_lowrank(data)

对每个主成分的方差贡献率进行归一化

variance_ratio = s ** 2 / torch.sum(s ** 2)

输出每个主成分的贡献率

print('每个主成分的方差贡献率为：', variance_ratio.numpy())