Sklearn PCA是pca.components_的裝載？

Sklearn PCA是pca.components_的裝載？我很確定這是事實，但我試圖沿着一份研究論文來看，我從它們的裝載中得到了不同的結果。我無法在sklearn文檔中找到它。Sklearn PCA是pca.components_的裝載？

來源

2016-04-03 ashish trehan

pca.components_是您投射數據的空間的正交基礎。它的形狀是(n_components, n_features)。如果您想保留具有100個樣本和50個維度（也稱爲特徵）的數據集的前3個組件（例如，執行3D散點圖），則pca.components_將具有形狀(3, 50)。

我認爲你所說的「加載」是每個樣本投影到組件所跨向量空間的結果。致電pca.fit(X_train)後，可撥打pca.transform(X_train)獲得。結果將形成(n_samples, n_components)，即我們前面的示例中的(100, 3)。

來源

2016-04-03 13:58:28 ogrisel

變換根據文檔應用降維，所以我的矢量具有不同的形狀，然後組件。我只是試圖複製一個文件，它的這一個具體http://ftp.utdallas.edu/~herve/Abdi- rotations-pretty.pdf我需要加載來執行Varimax旋轉，所以我可以構建出具有相應變量的表格。 –

如果你不想減少維度，你可以將'n_components = n_features'傳遞給PCA構造函數（這是我認爲的默認值），並且調用變換的結果將具有形狀'（n_samples，n_features）（假設'n_samples> n_features）'。您也可以選擇將'whiten = True'或'whiten = False'（給PCA構造函數）以決定是否要重新調整「加載」以使單元出現變化。 – ogrisel

如果您需要更多關於變換是如何工作的詳細信息，請閱讀該類的源代碼，它不是很複雜： https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/ pca.py – ogrisel

Sklearn PCA是pca.components_的裝載？

回答

相關問題