Sklearn PCA ist pca.components_ die Belastungen? Ich bin mir ziemlich sicher, dass es so ist, aber ich versuche, eine Forschungsarbeit zu verfolgen, und ich bekomme unterschiedliche Ergebnisse von ihren Belastungen. Ich kann es in der sklearn-Dokumentation nicht finden.Sklearn PCA ist pca.components_ die Belastungen?
4
A
Antwort
6
pca.components_
ist die orthogonale Basis des Raums, in den Sie die Daten projizieren. Es hat Form (n_components, n_features)
. Wenn Sie nur die ersten drei Komponenten (z. B. ein 3D-Streudiagramm) von Datensätzen mit 100 Proben und 50 Dimensionen (auch benannte Merkmale) beibehalten möchten, wird pca.components_
die Form (3, 50)
haben.
Ich denke, was Sie die "Ladungen" nennen, ist das Ergebnis der Projektion für jede Probe in den Vektorraum, der von den Komponenten überspannt wird. Diese können erhalten werden, indem pca.transform(X_train)
nach dem Anruf pca.fit(X_train)
aufgerufen wird. Das Ergebnis wird die Form (n_samples, n_components)
haben, das ist (100, 3)
für unser vorheriges Beispiel.
Verwandte Themen
- 1. Klassifizierung: PCA und logistische Regression sklearn
- 2. Sklearn und PCA. Warum ist max n_row == max n_components?
- 3. Durchführen von PCA auf großer Sparse-Matrix mit sklearn
- 4. PCA für die Bildverarbeitung
- 5. sklearn GridSearchCV mit Pipeline
- 6. Factor Loadings mit sklearn
- 7. Incremental PCA auf große Daten
- 8. ist es möglich, PCA auf jede Textklassifikation anzuwenden?
- 9. Erste Modellattribute aus Scikit-Learn-Pipeline
- 10. PCA reduziert die Leistung der logistischen Regression?
- 11. Mathe Domain-Fehler beim PCA mit
- 12. Bildkomprimierung mit PCA
- 13. R PCA Analyse Fehler
- 14. PCA Skalierung mit ggbiplot
- 15. Welche Skalierungsmethode soll vor PCA verwendet werden?
- 16. die optimale Kombination von Algorithmen in einer sklearn Maschine Finding Werkzeugkette Lernen
- 17. Pandas/Sklearn gibt falschen Memoryerror
- 18. PCA zuerst oder Normalisierung zuerst?
- 19. Reshape opencv Bild für PCA
- 20. Python, sklearn: Reihenfolge der Pipeline-Betrieb mit MinMaxScaler und SVC
- 21. Ist es möglich, einen bestimmten Schritt in der Sklearn-Pipeline umzuschalten?
- 22. Wie berechnet sklearn die metrik precision_score?
- 23. Sklearn-Varianz für die lineare Regressionsvorhersage
- 24. Ich projiziere die folgenden Jahre der Artendaten auf PCA-Ordination
- 25. sklearn agglomerative Clustering Eingangsdaten
- 26. sklearn Perceptron lernen
- 27. TSNE in Sklearn Python
- 28. Kreuzvalidierung + Entscheidungsbäume in sklearn
- 29. sklearn Matrix-Faktorisierung Beispiel
- 30. Sklearn - SVM gewichtete Funktionen
Umwandlung wendet Dimensionalitätsreduktion entsprechend der Dokumentation an, also hat mein Vektor eine andere Form als die Komponenten. Ich versuche gerade, ein Papier zu replizieren und sein dieses spezifisch http://ftp.utdallas.edu/~herve/Abdi- rotations-pretty.pdf Ich brauche die Lasten, um eine Varimax-Rotation durchzuführen, damit ich eine Tabelle aufbauen kann, die zu jeder Komponente entsprechende Variablen enthält. –
Wenn Sie die Dimensionalität nicht reduzieren möchten, können Sie 'n_components = n_features' einfach an den PCA-Konstruktor übergeben (das ist der Standard, den ich denke), und die Ergebnisse des Aufrufs zur Transformation haben die Form' (n_samples, n_features) ' (unter der Annahme 'n_samples> n_features)'. Sie können auch angeben, whiten = True oder whiten = False (an den PCA-Konstruktor), um zu entscheiden, ob Sie die Ladevorgänge so skalieren möchten, dass sie die Einheitsvarianz haben oder nicht. – ogrisel
Bitte lesen Sie den Quellcode der Klasse, wenn Sie weitere Informationen darüber benötigen, wie die Transformation funktioniert, ist es nicht sehr kompliziert: https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/ pca.py – ogrisel