sklearn中使用pca.components还原和转换矩阵

最新推荐文章于 2023-08-20 21:46:24 发布
最新推荐文章于 2023-08-20 21:46:24 发布
阅读量6k 收藏 32
点赞数 8
分类专栏： 机器学习 文章标签： numpy python 机器学习 pca降维
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_43945848/article/details/119889943
版权
本文介绍了PCA（主成分分析）在数据降维中的应用，通过sklearn库实现PCA转换，并展示了如何使用PCA.components_属性手动进行转换和逆转换。在降维过程中，PCA保留了原始数据的主要变异信息。通过减去列均值并乘以PCA组件的伪逆矩阵，可以得到与PCA.transform()相同的结果。反之，利用PCA逆过程，虽不能完全还原原始数据，但能接近原始状态。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

简介

在经过sklearn.decomposition.PCA的transform()方法转换后，我们可以轻松得到原始数据转换后（降维）的矩阵，inverse_transform(X)方法可以让我们把转换后的矩阵变回为转换前的矩阵。但是我们无法知晓中间的过程，也就意味着我们无法轻松的移植到其他平台上。好在pca类提供了pca.componets_属性，可以帮助我们使用矩阵运算手写转换。

代码示例

from sklearn.decomposition import PCA
df_X = df.drop(columns=['Name','Time']
最低0.47元/天 解锁文章
PCA的应用示例
Work Hard, Play Harder!
08-13 3万+
在 PCA 详细算法介绍 （http://blog.csdn.net/watkinsong/article/details/38536463） 中， 因为篇幅问题 没有给出详细的代码示例， 这里给出代码示例。 通过对人脸图像进行降维深入了解PCA算得使用。 首先看一下数据集， 我们有12张人脸图像， 用10张人脸训练PCA降维矩阵， 剩下的两张可以用作测试。
sklearn 中 pca.components_
优快云JERRYYAO的博客
08-15 8248
通过李航的《统计学习方法》（我愿称之为最强），可以很清晰地知道PCA的证明和各个参数的的定义。 pca主成分求解的过程是： 将数据进行标准化处理（均值为0，方差为1（可选）） 求原样本中n个特征的协方差矩阵 对协方差矩阵进行特征值分解，并将特征向量组成的矩阵按照对应特征值的大小顺序进行排序，前 k 个特征向量即为前k个主成分。 所以我们完全可以根据定义去求解pca，在《机器学习实战》上有详细的代码： ''' Created on Jun 1, 2011 @author: Peter Harringto
sklearn中主成分分析PCA参数解释
最新发布
知识搬运者
08-20 1138
【代码】sklearn中主成分分析PCA参数解释。
【机器学习sklearn】主成分分析PCA(Principal Component Analysis)
Aoyama的博客
12-28 4916
主成分分析方法PCA前言一、PCA是什么？二、使用步骤1.引入库2.读入数据总结 前言 PCA`(Principal Component Analysis)`，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。 降维的方法有很多，包括：奇异值分解(SVD)、主成分分析(PCA)、因子分析(FA)、独立成分分析(ICA)等等。 读书是爱读，会读，想方设法去读。 一、PCA是什.
python sklearn pca,python – sklearn上的PCA – 如何解释pca.components_
weixin_35811662的博客
03-25 2571
首先,PCA的结果通常用组件得分来讨论,有时称为因子得分(对应于特定数据点的转换变量值)和加载(每个标准化原始变量应该乘以的权重)得到组件得分).在您的情况下,功能E的值-0.56是PC1上此功能的分数.该值告诉我们该功能对PC有多大影响(在我们的例子中是PC1).因此,绝对值越高,对主成分的影响越大.在执行PCA分析之后,人们通常绘制已知的“双标图”以查看N维(在我们的例子中为2)和原始变量(特...
具体介绍sklearn库中：主成分分析（PCA）的参数、属性、方法
12-22
转载请注明出处：https://editor.csdn.net/md?articleId=104839136 文章目录主成分分析（PCA）Sklearn库中PCA一、参数说明（Parameters）二、属性（Attributes）三、方法（Methods）四、示例（Sample）五、参考资料（Reference data） 主成分分析（PCA） 主成分分析（Principal components analysis，以下简称PCA）的思想是将n维特征映射到k维上（k<n），这k维是全新的正交特征(新的坐标系)。这k维特征称为主元，是重新构造出来的k维特征，而不是简单地从n维特征中去除其余n-
sklearn中的PCA模型
guofei_fly的博客
01-13 2819
sklearn中提供了较为丰富的PCA模型来解决数据的降维问题，其包括： （1）PCA：最原始的PCA算法； （2）TruncatedSVD：原始数据不做中心化处理的PCA算法，可用于文本数据（TF-IDF处理后）的隐藏语义分析（LSA）； （3）SparsePCA：添加L1正则化处理后的PCA算法，用最小角回归算法求解，可在一定程度上解决数据噪声的问题，进一步降低分解后的数据维度； （4）Min...
（机器学习）sklearn降维算法PCA（用几个小案例详解PCA降维）
m0_46177963的博客
12-04 1万+
本文主要参考菜菜的机器学习课程及其课件 本篇博文基本不涉及PCA的任何数学过程，仅讲解在sklearn中如何调用相关类实现PCA降维 目录1.维度和降维的定义1.1维度的定义1.2降维的含义1.3降维的步骤2.PCA和SVDclass sklearn.decomposition.PCA2.1重要参数n_components2.1.1案例：高维数据的可视化2.1.2 最大似然估计自选超参数n_components2.1.3 按信息量占比选超参数n_components2.2重要参数svd_solver 与 r
sklearn中的降维算法PCA和SVD
momokofly的博客
12-06 2049
1 概述 1.1 什么叫“维度” 对于数组和Series来说，维度就是功能shape返回的结果，shape中返回了几个数字，就是几维。索引以外的数据，不分行列的叫一维（此时shape返回唯一的维度上的数据个数），有行列之分叫二维（shape返回行*列），也称为表。一张表最多二维，复数的表构成了更高的维度。但一个数组中存在2张3行4列的表时，shape返回的是（2,3,4）。 数组中的每一张表，都可以是一个特征矩阵（矩阵可以是任意正数维，但特征矩阵特指二维）或一个DataFrame，这些结构永远只有一张表，所
机器学习sklearn-PCA降维算法
weixin_44376037的博客
12-30 9353
1 概述 1.1 什么叫“维度” 对于数组和Series来说，维度就是功能shape返回的结果，shape中返回了几个数字，就是几维。 针对每一张表，维度指的是样本的数量或特征的数量，一般无特别说明，指的都是特征的数 量。 对图像来说，维度就是图像中特征向量的数量。特征向量可以理解为是坐标轴。 **降维算法中的”降维“，指的是降低特征矩阵中特征的数量。**降维的目的是为了让算法运算更 快，效果更好，但其实还有另一种需求：数据可视化。 1.2 sklearn中的降维算法 sklearn中降维算法都被包括在模块
用sklearn进行PCA（主成分分析）
今天你学习了吗？
05-24 1万+
PCA主要是用来数据降维，将高纬度的特征映射到低维度的特征，加快机器学习的速度。 原理： 在这个图片中，我们用两个特征来描述样本，分别是attack，defense。但如右图所示，作两条线，可以看出在右边这条线上有较大的方差，而左边这条线的方差比较小。方差越大，所包含的信息就越多。那么如何把这两个特征进行降维呢，降维要尽可能保持原始数据的信息，故要取使方差最大的一个维度（本例中从二维降到一维）。假设右边这条线的方差最大，我们就可以把这条线所在的直线当作降维后的一个维度。也就是二维降到一维后，这.
主成分分析PCA
mengdeer_Q的博客
05-26 766
3、转换后点云（point_cloud_trans = pca.transform(point_cloud)）的第几列数据就表示第几主成分点云，则point_cloud_trans[:, 0]表示在第一主成分上的投影点， point_cloud_trans[:, 1]表示在第二主成分的投影点，依次类推。第一主成分为沿着H型钢方向，因为所有点在第一主成分轴上的投影点距离中心的距离平方和最大。以下代码用特征向量转换和直接用pca.transform方法对H型钢点云的第一和第二主成分组成的平面图形进行绘制。
PCA中n_components的设置
热门推荐
weixin_41857483的博客
11-11 2万+
SVD使用奇异值作为信息量的衡量指标 SVD使用奇异值分解来找空间V，降维时，它会通过一些数学方法将特征矩阵X分解成三个矩阵：U∑VTU\sum V^{T}U∑VT；UUU和VTV^{T}VT是左奇异矩阵和右奇异矩阵，也是辅助矩阵，∑\sum∑是对角矩阵(对角线有值，其余为0)但对角线上的值是奇异值。 ...
深入剖析PCA(principal components analysis)
zuyuhuo6777的博客
06-25 584
1. 问题(为什么要使用PCA)     真实的训练数据总是存在各种各样的问题：1、 比如拿到一个汽车的样本，里面既有以“千米/每小时”度量的最大速度特征，也有“英里/小时”的最大速度特征，显然这两个特征有一个多余。2、 拿到一个数学系的本科生期末考试成绩单，里面有三列，一列是对数学的兴趣程度，一列是复习时间，还有一列是考试成绩。我们知道要学好数学，需要有浓厚的兴趣，所以第二项与第一项强相关，第三...
PCA (Principle component analysis) (主成分分析)
BrightHao_zi的博客
10-21 702
1.以一个二维数据为例说明PCA的目标 如上图所示，我们要在二维空间中找到一个维度（一个vector），将原数据集上的数据映射到这个vector上进行降维。如果没有施加限制，那么我们有无穷多种映射方法。 但是，我们知道，为了使数据集含有更多的信息，我们应该尽可能将降维后的数据区分开。以上图为例，如果选择Small variance的那条向量，很多数据点映射后挤在一起，那么我们就会损失许多有用信息。因此，PCA就是要找出一条vector，使数据降维后，有最大的方差。转化成数学公式就是： Var(z1)=1N
Pca变换matlab,PCA降维的关于转换矩阵运算问题
weixin_39928102的博客
03-20 318
主函数是：clear all;clcglobal imgRow;global imgCol;% 读入每个数字的前5副图像nNumbers=10;nCountsPerNumber = 5;accu = 0;display('PCA降维...');img=imread('C:\MATLAB6p5\work\train\10.bmp');%为计算尺寸先读入一张[imgRow,imgCol]=size(i...
PCA（Principal Component Analysis）主成分分析，通俗解释。
bingo281002的专栏
11-20 956
PCA是一种数据降维方法，下文就该方法原理做具体理解。PCA处理过程： 形成样本矩阵，样本去中心化 计算样本矩阵的协方差 对协方差矩阵做特征值分解，选取最大的前P隔特征值对应的特征向量，组成新的投影矩阵。该矩阵就是降维后的矩阵。 先从最简单的二维讲起。假定有如下数据：x=[2.5, 0.5, 2.2, 1.9, 3.1, 2.3, 2, 1, 1.5, 1.1]T y=[2.4, 0.7, 2.9,
机器学习实战教程（四）：从特征分解到协方差矩阵：详细剖析和实现PCA算法
liaomin416100569的专栏
02-03 2926
回想概率统计里面关于方差的数学定义：协方差的数学定义异曲同工：这里的 x和y表示两个变量空间。用机器学习的话讲，就是样本有 x和 y两种特征，而 X 就是包含所有样本的 x特征的集合，Y就是包含所有样本的 y特征的集合。用一个例子来解释会更加形象。用一个矩阵表示为：现在，我们用两个变量空间X ，Y 来表示这两个特征：
使用sklearn的PCA
06-03
使用sklearn的PCA可以通过以下步骤进行： 1. 导入PCA类： ```python from sklearn.decomposition import PCA ``` 2. 创建PCA对象： ```python pca = PCA(n_components=k) ``` 其中，参数`n_components`指定了要...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值