2024-05-07 02:12:17 发布
网友
Sklearn PCA是PCA。组件是否加载?我很确定是这样,但我正在努力跟进一篇研究论文,我从他们的文章中得到了不同的结果。我在sklearn文档中找不到它。
pca.components_是数据投影到的空间的正交基。它的形状是(n_components, n_features)。如果要保留100个样本和50个维度(也称为特征)的数据集的前3个组件(例如进行三维散点图),则pca.components_将具有形状(3, 50)。
pca.components_
(n_components, n_features)
(3, 50)
我认为所谓的“加载”是将每个样本投影到分量所跨越的向量空间的结果。这些可以在调用pca.fit(X_train)之后通过调用pca.transform(X_train)获得。结果将具有形状(n_samples, n_components),即上一个示例的(100, 3)。
pca.fit(X_train)
pca.transform(X_train)
(n_samples, n_components)
(100, 3)
pca.components_
是数据投影到的空间的正交基。它的形状是(n_components, n_features)
。如果要保留100个样本和50个维度(也称为特征)的数据集的前3个组件(例如进行三维散点图),则pca.components_
将具有形状(3, 50)
。我认为所谓的“加载”是将每个样本投影到分量所跨越的向量空间的结果。这些可以在调用
pca.fit(X_train)
之后通过调用pca.transform(X_train)
获得。结果将具有形状(n_samples, n_components)
,即上一个示例的(100, 3)
。相关问题 更多 >
编程相关推荐