Java中的PCA實現

Question

我需要在Java中實現PCA。我有興趣找到有據可查，實用且易於使用的東西。任何建議？

Answer 1

這裏是一個：PCA Class。

該類包含具有varimax旋轉的基本主分量分析所必需的方法。選項可用於使用協方差或相關性矩陣進行分析。使用蒙特卡洛模擬進行平行分析。基於大於1的特徵值的提取標準，大於蒙特卡羅特徵值百分點或大於蒙特卡羅特徵值均值是可用的。

Answer 2

檢查http://weka.sourceforge.net/doc.stable/weka/attributeSelection/PrincipalComponents.html 秧雞其實有可能與PCA一起使用許多其它的算法，也WEKA增加了更多的算法，不時。所以我的事情，如果你正在處理java然後切換到weka api。

Answer 3

現在有一些Java的主成分分析實現。

1. Apache的火花：https://spark.apache.org/docs/2.1.0/mllib-dimensionality-reduction.html#principal-component-analysis-pca

   SparkConf conf = new SparkConf().setAppName("PCAExample").setMaster("local"); 
   try (JavaSparkContext sc = new JavaSparkContext(conf)) { 
       //Create points as Spark Vectors 
       List<Vector> vectors = Arrays.asList(
         Vectors.dense(-1.0, -1.0), 
         Vectors.dense(-1.0, 1.0), 
         Vectors.dense(1.0, 1.0)); 
   
       //Create Spark MLLib RDD 
       JavaRDD<Vector> distData = sc.parallelize(vectors); 
       RDD<Vector> vectorRDD = distData.rdd(); 
   
       //Execute PCA Projection to 2 dimensions 
       PCA pca = new PCA(2); 
       PCAModel pcaModel = pca.fit(vectorRDD); 
       Matrix matrix = pcaModel.pc(); 
   } 
   

2. ND4J：http://nd4j.org/doc/org/nd4j/linalg/dimensionalityreduction/PCA.html

   //Create points as NDArray instances 
   List<INDArray> ndArrays = Arrays.asList(
        new NDArray(new float [] {-1.0F, -1.0F}), 
        new NDArray(new float [] {-1.0F, 1.0F}), 
        new NDArray(new float [] {1.0F, 1.0F})); 
   
   //Create matrix of points (rows are observations; columns are features) 
   INDArray matrix = new NDArray(ndArrays, new int [] {3,2}); 
   
   //Execute PCA - again to 2 dimensions 
   INDArray factors = PCA.pca_factor(matrix, 2, false); 
   

3. Apache的百科全書數學（單線程;無框架）

   //create points in a double array 
   double[][] pointsArray = new double[][] { 
       new double[] { -1.0, -1.0 }, 
       new double[] { -1.0, 1.0 }, 
       new double[] { 1.0, 1.0 } }; 
   
   //create real matrix 
   RealMatrix realMatrix = MatrixUtils.createRealMatrix(pointsArray); 
   
   //create covariance matrix of points, then find eigen vectors 
   //see https://stats.stackexchange.com/questions/2691/making-sense-of-principal-component-analysis-eigenvectors-eigenvalues 
   
   Covariance covariance = new Covariance(realMatrix); 
   RealMatrix covarianceMatrix = covariance.getCovarianceMatrix(); 
   EigenDecomposition ed = new EigenDecomposition(covarianceMatrix); 
   

注意，奇異值分解也可用於查找主元件，具有等效的實現。

Answer 4

Smile是一個功能齊全的Java庫。你可以嘗試一下它的PCA實現。請參閱：https://haifengl.github.io/smile/api/java/smile/projection/PCA.html

還有帶笑臉的PCA tutorial，但本教程使用了Scala。