我的问题与高度相关 File "$path$\Python\Python36\lib\site-packages\sklearn\decomposition\pca.py", linespectrum[i] - spectrum[j]) * (1. / spectrum_[j] - 1. / spectrum_[i])) + log(n_samples)
仔细观察后，我发现问题是由等式的这一部分引起的这会导致
浏览 1提问于2017-11-29得票数 4
回答已采纳
1回答
我正在使用sci-kit learn在python中实现PCA，它显示错误pca not found。有人能告诉我如何解决这个问题吗？下面是我写的代码，请检查。'z':plyfile['vertex']['y'][::reduce_factor]`
def do_PCA(arm
浏览 0提问于2018-01-18得票数 0
我试图得到分类所需的组件数量。我读过一个类似的问题，和scikit文档都是关于这个的：
如果n_components ==‘MLE’，明卡的MLE用于猜测0< n_components < 1的维数，选择分量数，以便需要解释的方差量大于n_compone
浏览 4提问于2015-06-12得票数 11
回答已采纳
下面的代码片段说明了这个问题： from sklearn.decomposition import PCAtrans
浏览 35提问于2021-01-21得票数 0
回答已采纳
1回答
如何学习PCA在数据上的工作？
、、、、
6 1 74 6 118 1 1 6 8 sklearn.decomposition.PCA为了将列的数量从4减少到2，我无法理解哪个维度：行、或列，采用PCA作为向量的数量。因为如果我做以下事情： A B C D
浏览 1提问于2017-04-24得票数 1
1回答
PCA在线性回归中的应用
、、、
在应用线性回归之前，我想使用主成分分析来减少一些噪声。我有1000个样本和200个特性from sklearn.linear_model import LinearRegressiony = np.random.rand(1000,1)model.fit(X,y)但如果我在应用
浏览 0提问于2017-01-26得票数 3
回答已采纳
1回答
def doPCA(data, dimensions=2):model = PCA(n_components=dimensions/assignment4.py"，第56行，在doPCA模型中= PCA(n_components=dimensions，svd_solver=“随机”，random_state=None)
TypeError：init()得到了一个意外
浏览 0提问于2017-02-11得票数 1
回答已采纳
我使用来自sklearn.decomposition的主成分分析来减少数据维数。pca = PCA(n_components=pca_components, whiten=True, svd_solver='full')numpy数组中的最小值为0.0，最大值为1.7976931348623157e+308。数组不包含i
浏览 0提问于2019-10-25得票数 0
我正在尝试做Udacity迷你项目，并且我已经安装了最新版本的SKLearn库(20.2)。当我运行时： from sklearn.decomposition import RandomizedPCA 我得到了错误： ImportError: cannot import name 'RandomizedPCA/sklearn/decomposition/__init__.py) 实际上，我甚至使用以下命令升级了版本： pip3 install -U
浏览 98提问于2019-02-03得票数 21
我使用主成分分析将一个Nx3数组简化为一个Nx2数组。这主要是因为主成分分析变换(Nx2矩阵)对于在原始Nx3阵列上执行的旋转或平移是不变的。让我们以下面的例子为例。= PCA(n_components=2, svd_solver='full', random_state=10)
print(pca.fit_transform(a)) 以下是输出。= PCA(n_components=2, <em
浏览 41提问于2021-04-22得票数 2
回答已采纳
-1", y = "PCA-2", data = PCAResult, hue = "target", s = 50)产出如下：
现在，我希望验证输出，为此我使用了sklearn库，输出如下：sPCA = PCA() # consider all the components-1"
浏览 5提问于2021-06-11得票数 1
回答已采纳
1回答
JPMML的输入字段数量
、、、
我在JPMML (scala)中使用具有许多输入字段的PMML模型时遇到了问题。) # 300x150sklearn2pmml(pipeline, "/tmp/pca.pmml") 在第二步中，应该
浏览 24提问于2019-03-02得票数 0
回答已采纳
我有一个很大的训练数据集。我的训练数据集包含1050个手势，每个手势包含12000个数据点。向机器学习模型提供如此多的数据点将导致性能非常慢和精度很低。因此，我使用PCA从高维空间中删除不相关的特征，并将最重要的特征投影到低维子空间中，从而提高了分类精度并减少了计算时间。使用PCA，我们将每个手势的12,000个数据点减少到15台PC，而不影响从数据中提取的信息。
浏览 6提问于2021-12-06得票数 0
1回答
我正在使用包含在PCA()中的sklearn实现，该实现具有200个特性。as pdfrom sklearn.decomposition import PCA
p = pca.fit(df)最后，我得到了以下的结果：
浏览 2提问于2017-08-08得票数 0
回答已采纳
1回答
我正在做主成分分析(PCA)，我想找出哪些特性对结果的贡献最大。from sklearn.decomposition import PCA
pca</e
浏览 1提问于2021-04-21得票数 7
回答已采纳
2回答
我尝试用两种不同的方法(协方差法和特征面PCA法)用numpy.linalg.eig实现主成分分析，并将结果与sklearn的pca方法进行了比较。但是我观察到我的结果是不同的，所以我想知道我在犯哪一个错误。我有3个样本，每个样本有4个特征。我试图将样本的维数降到3。编辑:添加与SVD方法。IThe结果使用协方差主成分分析，SVD和PCA比较接近。但与“特征面”方
浏览 2提问于2017-11-17得票数 2
回答已采纳
我有5+百万数据来预测人们的种族。一个文本特征会产生数万个文本特征。例如，名字'Smith‘会产生'sm'，'mi'，’it‘……然后我需要将它转换成一些稀疏矩阵X2= vec.fit_transform(measurements)
因为生成了成千上万的特性，所以我不能使用下面的代码来给
浏览 0提问于2015-10-25得票数 2
1回答
41 John False 0.5为此，我通常使用Numpy将其转换为它的pandas.DataFrame.values表示(例如str/object、int64、float32)会产生一个最宽类型的ndarray，该类型可以容纳这些混合类型(例如，对象)。True和1.0之间有对应的.
我这样问是因为我想对所有数据执行一个sklearn.decomposition.PCA</e
浏览 1提问于2018-09-08得票数 0
我正在尝试使用XGBoost算法。我有一个包含4个属性(quat_1、quat_2、quat_3、quat_4)的数据集和一个目标，它可以有9个不同的值(0、1、2、3、4、5、6、7、8)。= y)x_train = sc_x.fit_transform(x_train)pca= PCA(n_components=2, svd_solver</e
浏览 6提问于2020-11-06得票数 0
回答已采纳
我在理解如何创建sklearn转换器的子类时遇到了问题。我想为长代码示例道歉，我试图使一个最小的可重现性，但无法重新创建错误。希望您能看到大部分代码示例都是我编写的。，它可以像预期的那样工作，在一个简单的管道中使用RobustScaler infront。在这个简单的管道中，类将按预期进行拟合和转换。然后，我将简单的管道放入另一个管道中，并使用一个估计器，希望使用
浏览 0提问于2018-10-25得票数 2
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
腾讯会议
云直播
对象存储活动推荐
腾讯云开发者
