我真的很困惑,希望有人能告诉我我错过了什么。我试图通过两种不同的方法获得主成分:
import numpy as np
data = np.array([[ 2.1250045 , -0.17169867, -0.47799957],
[ 0.7400025 , -0.07970344, -0.99600106],
[ 0.15800177, 1.2993019 , -0.8030003 ],
[ 0.3159989 , 1.919297 , 0.24300112],
[-0.14800562, -1.0827019 , -0.2890004 ],
[ 0.26900184, -1.3816979 , 1.1239979 ],
[-0.5040008 , -2.9066994 , 1.6400006 ],
[-1.2230027 , -2.415702 , 3.1940014 ],
[-0.54700005, 1.757302 , -1.825999 ],
[-1.1860001 , 3.0623024 , -1.8090007 ]]) # this should already be mean centered
# Method 1. Scikit-Learn
from sklearn.decomposition import PCA
pca = PCA(n_components=3).fit(data)
print(pca.components_)
[[-0.04209988 -0.79261507 0.60826717]
[ 0.88594009 -0.31106375 -0.34401963]
[ 0.46188501 0.52440508 0.71530521]]
# Method 2. Manually with numpy
cov = np.cov(data.T)
evals , evecs = np.linalg.eig(cov)
# The next three lines are just sorting by the largest eigenvalue
idx = np.argsort(evals)[::-1]
evecs = evecs[:,idx]
evals = evals[idx]
print(evecs.T)
[[ 0.04209988 0.79261507 -0.60826717]
[ 0.88594009 -0.31106375 -0.34401963]
[-0.46188501 -0.52440508 -0.71530521]]
特征向量的值是相同的,但符号是错误的。我想要的是从sklearn PCA获得输出,但只使用numpy。提前感谢您的建议
这是意料之中的,因为矩阵的特征空间(你的问题中的协方差矩阵)是唯一的,但特定的特征向量集不是唯一的。这里的解释太多了,所以我建议the answer in math.se
PS:注意,你处理的是3x3的协方差矩阵,你可以把特征向量想象成具有x、y、z轴的3D向量。然后你应该注意到你的numpy答案和sklearn答案对于2个向量是完全相反的方向,对于1个向量是相同的方向
相关问题 更多 >
编程相关推荐