为什么PCA和IncrementalPCA的结果不同

Question

为什么PCA和IncreasePCA的结果差别很大？你知道吗

我使用PCA和IncreasePCA来拟合相同的数据。你知道吗

但在进行变换时，两种方法之间的差距较大。你知道吗

你能帮我解释一下吗？ 非常感谢你！你知道吗

import numpy as np
from sklearn.decomposition import PCA, IncrementalPCA
data = np.random.random([100000, 512])
pca_obj = PCA(n_components=256)
ipca_obj = IncrementalPCA(n_components=256, batch_size=1000)
pca_obj.fit(data)
ipca_obj.fit(data)
print pca_obj.transform(np.expand_dims(data[0], axis=0))
print ipca_obj.transform(np.expand_dims(data[0], axis=0))

Answer 1

从docs

IPCA builds a low-rank approximation for the input data using an amount of memory which is independent of the number of input data samples.

IPCA应该只在海量数据集上使用，因为它实际上是对数据的下采样。数据集越大，IPCA投影就越接近PCA，但它总是一个近似值&这在小数据集上就越明显。你知道吗