如何在Python中执行PCA后生成预测
在Python中执行PCA（Principal Component Analysis）并生成预测的步骤如下：
- 导入所需的库和模块：
import numpy as np
from sklearn.decomposition import PCA
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression- 准备数据集： 假设我们有一个包含特征和标签的数据集，特征存储在X中，标签存储在y中。
- 数据预处理： 对特征进行标准化处理，使其具有相同的尺度：
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)- 执行PCA降维：
pca = PCA(n_components=k) # k为降维后的维度
X_pca = pca.fit_transform(X_scaled)这将将原始特征矩阵X_scaled降维为X_pca。
- 划分训练集和测试集：
X_train, X_test, y_train, y_test = train_test_split(X_pca, y, test_size=0.2, random_state=42)这将数据集划分为训练集和测试集，其中测试集占总数据集的20%。
- 构建模型并进行训练：
model = LogisticRegression()
model.fit(X_train, y_train)这里使用逻辑回归作为示例模型，你可以根据具体需求选择其他模型。
- 进行预测：
y_pred = model.predict(X_test)这将使用训练好的模型对测试集进行预测。
以上是在Python中执行PCA并生成预测的基本步骤。PCA可以用于降低数据维度，提取主要特征，减少冗余信息，从而提高模型的效果和性能。
推荐的腾讯云相关产品：
- 云服务器（Elastic Cloud Server，ECS）：提供弹性计算能力，支持多种操作系统和应用场景。
- 云数据库MySQL版（TencentDB for MySQL）：提供高可用、可扩展的MySQL数据库服务。
- 人工智能机器学习平台（AI Machine Learning Platform）：提供丰富的机器学习算法和模型训练服务。
更多腾讯云产品信息和介绍，请参考腾讯云官方网站：https://cloud.tencent.com/
相关·内容
我正在使用azure Automated ML来做一些概念证明。我正在试着根据一些参数来识别一个人。 在我的数据集中，我有4列浮点数和1列包含人名的列。我的目标是能够根据这4个浮点数的输入来检测这个人。 ? 我已经成功地基于这些信息训练了一些模型。数据转换图表如下所示，这是我所期望的： ? 因此，它忽略了一列(我假设是"person“列)，并使用剩下的4列作为RandomForrest分类器的输入。到目前为止一切都很好。 然后，当我部署模型时，我现在需要添加一个名为"Column2“的新变量。这个变量似乎对输出数据有很大影响 ? 当我用两个输入向端点发
浏览 19提问于2021-10-15得票数 0
我想在GridsearchCV中创建我自己的评分，下面是我的代码:当我运行这些代码时，错误发生在最后一个短语：grid_x.fit(train_x_pca, x_ref)。当我使用'r2‘grid_x=GridSearchCV(nnw_model, para_grid, scoring='r2')这样的内置评分时，它是有效的。我自己的评分定义应该有问题。
nnw_model=MLPRegressor(hidden_layer_sizes=(15,), activation='tanh', \
solver='lbfgs&#
浏览 0提问于2018-08-06得票数 1
1回答
我正在用Python开发一个代码，将KMeans聚类算法应用于数据集。我初始化的簇数为5，但在应用该算法并进行预测之后，我很想看到混淆矩阵，以检查算法的执行情况。我的期望是得到一个5×5混淆矩阵，而不是10×10矩阵，其中最后5列包含0值。下面是代码和混淆矩阵。我做错了什么？如何得到一个5X5矩阵，根据我的集群数目初始化？
`kmeans = KMeans(init = "random", n_clusters = 5, n_init = 5)
kmeans.fit(PCA_30)
predicted_labels = kmeans.predict(PCA_30
print(m
浏览 0提问于2018-03-21得票数 0
1回答
我目前正在尝试将高斯过程模型与我的数据相匹配，并让它预测未来的几天。我已经减少了我的10个功能，减少到只有2个组成部分通过PCA在雪橇。现在我有了PCA1和PCA2。这是通过对训练集进行PCA (40%)来实现的。
pca = PCA(n_components=2)
pca.fit(train_data)
PCAs = pca.transform(train_data)
PCA1 = PCAs[:,0]
PCA2 = PCAs[:,1]
其中train_data是具有大约10个特性和50行的数据格式，并应用了StandardScaler()。
kernel = RBF()
model = ga
浏览 5提问于2021-06-11得票数 3
1回答
我正在运行一个PCA对Hellinger转换的物种数据的多个地点在一年(例如:1995年)。我想通过将1996年的数据投影到从第一年的数据(1995年)构建的PCA排序中来计算这些站点在下一年(1996年)中的得分。这是为了在排序空间中从一年移动到另一年的距离。有一个R包可以让我这样做吗？
浏览 0提问于2016-04-19得票数 1
回答已采纳
2回答
这个问题适用于我自己的数据，但为了可复制性，我的问题/问题也出现在FactoExtra vignette或中，因此为了简单起见，我将使用它。
首先，生成一个简单的PCA (scale = T)，并从前4个轴提取坐标变量：
head(var$coord) # coordinates of variables
Dim.1 Dim.2 Dim.3 Dim.4 > Sepal.Length 0.8901688 -0.36082989 0.27565767 0.03760602 > Sepal.Width -0.
浏览 0提问于2018-07-07得票数 1
回答已采纳
假设我有以下python代码： from imblearn.pipeline import Pipeline
from sklearn.feature_selection import VarianceThreshold
from sklearn.preprocessing import StandardScaler
from imblearn.over_sampling import RandomOverSampler
from sklearn.decomposition import PCA
selector = VarianceThreshold()
scaler = Sta
浏览 12提问于2019-12-14得票数 2
我正在使用PCA在朱莉娅包。我正试图向朱莉娅隐藏一个旧的Matlab脚本。但是，我不能再运行Matlab脚本了。我正在处理一系列的图像。首先，我要确保输入矩阵正确。我将每幅图像重组成一个向量，并将n图像放到m x n矩阵中。我认为这个数据的格式是正确的，和Matlab一样。然后我用M = fit(PCA, data)生成了一个PCA模型。Matlab将返回[coeff,score,latent]。我怎么才能从朱莉娅那里弄到这些？
浏览 1提问于2016-11-17得票数 1
祝您今天愉快。请帮帮我。我有一个规范化的文件。该文件由21个数字列组成。
我将对此文件应用pca analysis，如下所示：
pca = decomposition.PCA(n_components=21)
pca_output = pca.fit_transform(pca_matrix)
pca_inverse = pca.inverse_transform(pca_output)
据我所知，我分配给n_components变量的值等于列数。但我不明白的是，我如何确定n_components变量。
浏览 1提问于2018-05-01得票数 0
为了对这些图像进行分类，我想运行一些机器学习算法，比如PCA和KNN，它们有一个相对较大的图像数据集(>2000 rgb图像)。
我的源代码如下：
import cv2
import numpy as np
import os
from glob import glob
from sklearn.decomposition import PCA
from sklearn import neighbors
from sklearn import preprocessing
data = []
# Read images from file
for filename in glob(&
浏览 0提问于2018-02-01得票数 2
2回答
从我正在使用PCA和kmeans的数据集中，我想知道每个集群中的中心对象是什么。
从我最初的数据集中将这些对象描述为虹膜的最佳方法是什么？
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
from sklearn.decomposition import PCA
pca = PCA(n_components=2, whiten=True).fit(X)
X_pca = pca.transform(X)
from sklearn.cluster import KMea
浏览 4提问于2015-11-24得票数 0
回答已采纳
我想对相对较大的图像数据集(>2000 rgb图像)运行一些机器学习算法，如PCA和KNN，以便对这些图像进行分类。
我的源码如下：
import cv2
import numpy as np
import os
from glob import glob
from sklearn.decomposition import PCA
from sklearn import neighbors
from sklearn import preprocessing
data = []
# Read images from file
for filename in glob('Ima
浏览 0提问于2018-01-31得票数 1
2回答
我正在尝试在R中使用多维缩放(MDS)，我是否可以基于从训练集获得的值来预测测试集上的新值？我正在寻找类似于我在PCA中所做的事情，例如：
prin_comp <- prcomp(pca.train, scale. = FALSE)
test.data <- predict(prin_comp, newdata = pca.test)
谢谢,
Ittai
浏览 0提问于2018-07-22得票数 1
代码：
library(caret); library(kernlab); data(spam)
inTrain <- createDataPartition(y=spam$type,
p=0.75, list=FALSE)
training <- spam[inTrain,]
testing <- spam[-inTrain,]
M <- abs(cor(training[,-58]))
diag(M) <- 0
which(M > 0.8,arr.ind=T)
preProc <- preProcess(log10(spam[,-58]+1),
浏览 0提问于2018-08-10得票数 0
我是一个Matlab用户，我正在学习Python和sklearn库。我想翻译一下这个Matlab代码
[coeff,score] = pca(X)
对于coeff，我在Python中尝试过这样的方法：
from sklearn.decomposition import PCA
import numpy as np
pca = PCA()
pca.fit(X)
coeff = print(np.transpose(pca.components_))
我不知道这是否正确；对于score，我不知道。
有人能告诉我coeff的正确性和score的可行性吗？
浏览 1提问于2019-04-04得票数 2
回答已采纳
1回答
我使用一个RandomForestClassifier模型，我想用Shapley值来解释这个模型。数据(包含150个特征)首先通过PCA选择器运行，然后将其转换为3个新的特征，然后将所选的约简数据给出一个RandomForestClassifier模型。然后将模型交给shap.Explainer()。问题是，我想让shap用最初的150个特性来解释模型，而不是用3个pca组件。因此，我用原始数据调用了shap.Explainer()：
#the selector:
fs_all_pca = PCA(n_components=3).fit(X)
X_all_pca = fs_all_pca.tr
浏览 6提问于2022-09-11得票数 0
回答已采纳
2回答
我一直在遵循一个类似的答案，但我有一些问题，当使用sklearn和滚动应用。我正在尝试创建z分数，并使用滚动应用进行主成分分析，但我一直在使用'only length-1 arrays can be converted to Python scalars' error.
按照前面的示例，我创建了一个数据帧
from sklearn.preprocessing import StandardScaler
import pandas as pd
import numpy as np
sc=StandardScaler()
tmp=pd.DataFrame(np.random.ra
浏览 9提问于2016-12-04得票数 21
我的困惑是关于管道。假设我的代码是
pipe=Pipeline([('sc',StandardScaler()),
('pca',PCA(n_components=2)),
('lr',LinearRegression())])
我给pipe.fit(X_train,y_train)打电话了。这是否也会缩放y_train值？
浏览 15提问于2020-06-05得票数 2
2回答
主成分分析无效
、、、、
我试图对包含图像的数据集进行主组件分析，但是每当我想从pca.transform模块应用sklearn.decomposition时，我总是会收到这样的错误：*AttributeError：'PCA‘对象没有属性’_‘*。我知道这个错误意味着什么，但我不知道如何修复它。我想你们有些人知道怎么解决这个问题。
谢谢你的帮助
我的代码：
from sklearn import svm
import numpy as np
import glob
import os
from PIL import Image
from sklearn.decomposition import PCA
ima
浏览 4提问于2013-10-16得票数 6
回答已采纳
我一直在测试PCA和LDA对我想要自动识别的3种不同类型的图像标签进行分类的效果。在我的代码中，X是我的数据矩阵，其中每一行都是图像中的像素，y是一个一维数组，说明每一行的分类。
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.decomposition import PCA
from sklearn.lda import LDA
pca = PCA(n_components=2)
X_r = pca.fit(X).transform(X)
plt.figure(figsize = (35,
浏览 7提问于2015-06-29得票数 2
回答已采纳
1回答
我遵循教程来创建和可视化PCA。我特别感兴趣的部分是在现有模型中添加新的数据点。
正如本教程所暗示的，人们将使用 (ir.pca，newdata=tail(log.ir，2))来预测新的PC。但是，我如何将这些新的观察添加到现有的情节中呢？它看起来不像predict函数返回与ggplot函数中使用的ir.pca相同的对象。
我发现了类似的问题和，但这些问题是计算新的PCA分数并将它们添加到方差图中(如果我正确理解的话)。
最终，我想要看的是，新的点是否在使用初始数据集定义/导出的置信椭圆中。
我从教程中使用的代码：
# log transform
log.ir <- log(
浏览 0提问于2017-05-20得票数 1
回答已采纳
我正在使用的PCA (主成分分析)从滑雪库。我正在使用的培训集具有以下形状：X_train: (124, 13), y_train: (124, )。测试集具有以下形状：X_test: (54, 13), y_test: (54, )。
我就是这样做PCA的
from sklearn.decomposition import PCA
pca = PCA(0.75) #75 % variance retained
X_train_pca = pca.fit_transform(X_train_std)
X_test_pca = pca.transform(X_test_std)
print
浏览 2提问于2018-11-27得票数 2
回答已采纳
我有一组数据，我使用了scikit learn PCA。在使用StandardScaler()执行主成分分析之前，我对数据进行了缩放。
variance_to_retain = 0.99
np_scaled = StandardScaler().fit_transform(df_data)
pca = PCA(n_components=variance_to_retain)
np_pca = pca.fit_transform(np_scaled)
# make dataframe of scaled data
# put column names on scaled data for us
浏览 5提问于2018-04-18得票数 5
1回答
我训练要在python上做一些MNIST的PCA重构，并将它们与我在maltab中的(旧)重建进行比较，我碰巧发现我的重建不同意。经过一些调试后，我决定打印每个主组件的独特特性，以揭示它们是否相同，我惊讶地发现它们并不相同。我打印了所有部件的和，得到了不同的数字。我在matlab中做了以下工作：
[coeff, ~, ~, ~, ~, mu] = pca(X_train);
U = coeff(:,1:K)
U_fingerprint = sum(U(:))
%print 31.0244
在蟒蛇/喜鹊中：
pca = pca.fit(X_train)
U = pca.components_
浏览 2提问于2016-08-05得票数 1
1回答
我试图为出色的NMF包- (因为它比Python灵活得多)制作一个Python接口。到目前一切尚好。
我想出了这样的点子：
# Python rpy2
__NMF = importr("NMF")
n_comp_R = robjects.IntVector(n_components)
nmf_ro = self.__NMF.nmf(data, n_comp_R, methods, self.seed, nrun=10)
就像一种魅力。方法是我可以使用的可能的算法列表：
nmfAlgorithm()
1“深色”"KL“"lee”"Frobenius“”
浏览 4提问于2017-01-26得票数 0
回答已采纳
1回答
你好，我想减少列车矩阵的维数，然后使用支持向量机，我的代码如下：
from sklearn.decomposition import PCA
首先，我尝试在pca中表演：
pca = PCA(n_components=100)
#pca.fit(train_matrix)
train_matrix = np.concatenate([cities,state_matrix,work_type,company_matrix,seg,ag,rep], axis=1)
然后，我将其分配给一个变量，然后对我的模型进行如下训练：
train_matrix = pca.fit_transform(trai
浏览 0提问于2017-02-10得票数 0
回答已采纳
我可以使用ELKI对我的输入数据集进行PCA并将转换集作为文本文件吗？文件的输出格式并不重要。
我认为PCA不是作为一种算法，而是作为一个dbc.filter。我尝试在PCA过滤器之后调用NullAlgorithm，然后调用ResultWriter，但是它没有输出数据集(这并不奇怪，因为它结果返回null )。
也许通过过滤器的结果的算法会是一种方便的功能？由于我对代码一点也不满意，也许有人可以告诉我我需要采取哪些步骤来实现这样的东西。
浏览 2提问于2016-06-02得票数 0
回答已采纳
3回答
我想要的是python中各个变量和主成分之间的相关性。我在sklearn中使用PCA。我不明白在我分解我的数据后，我如何才能获得加载矩阵？我的代码在这里。
iris = load_iris()
data, y = iris.data, iris.target
pca = PCA(n_components=2)
transformed_data = pca.fit(data).transform(data)
eigenValues = pca.explained_variance_ratio_
没有提到如何实现这一点。
浏览 3提问于2014-01-19得票数 28
回答已采纳
1回答
我试图计算数据集的PCA负载。我读到的越多，我就越困惑，因为“加载”在许多地方的用法不同。
我在python中使用进行PCA分析，并使用R(使用和库)，因为它提供了简单的可视化技术。以下是我的理解：
pca.components_给出了本征向量。它们给了我们最大的变化方向。
pca.explained_variance_给出了与本征向量相关联的特征值。
特征向量*sqrt(特征值)=加载，它告诉我们主成分(Pc)是如何加载变量的。
现在，我感到困惑的是：
许多论坛说，本征向量是加载。然后，当我们把特征向量乘以sqrt(特征值)时，我们就得到了关联的强度。其他人说特征向量
浏览 4提问于2021-05-08得票数 0
回答已采纳
1回答
用java求特征值pca
、、、
我试着用PCA来降维，用jama来帮助我使用矩阵。但是，当用jama得到特征值时，我遇到了问题。例如，我有2个图像维数( 100x100 )，然后创建单个矩阵2图像x(100x100)。有20.000像素。如何用特征值进行约简？这是示例我的代码：
public static void main(String[] args) {
BufferedImage bi;
int[] rgb;
int R, G, B;
// int[] jum;
double[][] gray = new double[500][500] ;
String[] baris
浏览 1提问于2013-06-30得票数 1
1回答
我想要生成一个3D图形来显示这两个类的分离。我看过，但不知道如何在px.scatter_3d中实现分离平面
下面是我到目前为止掌握的代码：
import numpy as np
import matplotlib.pyplot as plt
import plotly.express as px
import seaborn as sns
import pandas as pd
import os
from mpl_toolkits.mplot3d import Axes3D
from sklearn.decomposition import PCA
#df = pd.read_csv(&#
浏览 6提问于2022-06-27得票数 0
回答已采纳
3回答
我将我的数据拆分为训练/测试。当我使用PCA时，它是直接的。
from sklearn.decomposition import PCA
pca = PCA()
X_train_pca = pca.fit_transform(X_train)
X_test_pca = pca.transform(X_test)
从这里开始，我可以在下一步中使用X_train_pca和X_test_pca，依此类推。
但当我使用t-SNE时
from sklearn.manifold import TSNE
X_train_tsne = TSNE(n_components=2, random_state=0).
浏览 3提问于2018-10-17得票数 2
1回答
这里是数据科学的新手。
我有一个高维的数据集。共有83个样本，维度为2308，其形状为(83,2308)。此外，我还有一个样本类型数组，长度为83，形状为(83，)。
我正在尝试用我的原始数据集的一个子集训练一个KNN分类器(2个邻居)，并用它来预测剩余数据点(测试子集)的样本类型。我的训练数据具有形状(66,2308)，我正在将其训练为形状为(63，)的样本类型数组。
我的目标是用降维的训练集训练我的KNN分类器，所以我在上面运行了PCA。我只保留了前10台电脑。对训练集进行变换后，其形状为(63，10)。
不幸的是，现在我不能使用这个缩减的训练集来对我的未缩减的测试集进行预测。运行我的代码
浏览 1提问于2017-02-26得票数 0
1回答
在进行PCA和学习过程之后，我问自己下一步的结果会有什么好处。从PCA中，我学会了如何通过降低维数来可视化数据集，我得到了更有效地描述群体成员的方便的新向量，并且我学习了哪些原始预测器比其他预测器关联和贡献更多。
我问自己的问题是，是否有更多的学习从PCA，这是一个好主意，使用PCA模型的学习算法，以更好的表现，是否有可能尊重名义或序数预测在PCA？
浏览 0提问于2017-05-05得票数 3
回答已采纳
1回答
机器学习的r和PCA解释
、、、
我参加了课程中的实用机器学习，我对其中一项任务感到困惑。我想要非常清楚的是，我不是在发帖，因为我希望有人给我答案--我只想让帮助理解正在发生的事情。
我们正在学习PCA和预处理。我的理解是，PCA全部是试图将多个共线性变量合并成一个因子，而PCA算法试图在使用最少的变量数的情况下找到这些变量的最佳线性组合。例如，如果我有5个高度相关的变量，PCA可能会发现，仅仅在一个组合中使用其中的4个就可以解释最大的方差。然后，当你进行训练时，它会应用任何变量和系数的组合是一个单一的预测器，而不是单个变量(对吗)？
我很难理解幕后所发生的事情。例如，在一个讲座中，数据集中有58个变量(第58是DV)，我们试
浏览 4提问于2015-08-12得票数 2
在将嵌入的聚类数据发送到随机森林分类器之前，先将PCA应用于数据集，然后将UMAP聚类应用于PCA数据，这是一个有效的过程吗？
进程摘要：
X_train -> x_PCA -> UMAP ->随机森林
这是生成预测模型的有效过程吗？
浏览 0提问于2022-07-02得票数 2
回答已采纳
1回答
数值特征中无上下文的分类问题
、、、、
我有一个非常抽象和数字的数据，具有同样抽象的目标。
我有大约3000行的列车数据(df_train)，其中我有一个二进制目标变量target (0或1)，其中我有50个数值(浮点)特征num1, num2, ..., num50，从0到1，以及50个整数特征int1, int2, ..., int50要么是- 1，0，要么是1。这意味着我的数据有3000行和101个列。
我的测试数据(df_test)与不包括target变量的火车数据格式相同，共有500行。我的目标是根据测试数据中的其他特性对target变量进行分类。
考虑到有很多特征，我的本能反应是进行维数约简，因为目标是分类而不是聚类，所
浏览 0提问于2022-07-16得票数 0
回答已采纳
将我的数据拟合到X= my data之后
pca = PCA(n_components=1)
pca.fit(X)
X_pca = pca.fit_transform(X)
现在X_pca有了一个维度。
当我根据定义执行反变换时，它不是应该返回到原始数据，即X，2-D数组吗？
当我这样做的时候
X_ori = pca.inverse_transform(X_pca)
我得到相同的尺寸，但是不同的数字。
另外，如果我同时绘制X和X_ori，它们是不同的。
浏览 0提问于2019-04-05得票数 7
回答已采纳
新更新：
我理解PCA组件确保我们选择对高方差负责的变量，但我想知道如何通过PCA组件提取只对高方差负责的关键变量。
理想情况下，一个简单的例子会有所帮助。
这是我的密码：
#Implementing PCA for visualizing after Kmeans clustering
`# Interpret 3 cluster solution
model3=KMeans(n_clusters=3)
model3.fit(clus_train)
clusassign=model3.predict(clus_train)
# plot clusters
“”新变量，称为规范变量，是根据方
浏览 0提问于2017-04-03得票数 -2
回答已采纳
如何在PCA之后从Python中的第一个分量重建图像？
我的尝试是：
from sklearn.datasets import load_sample_image
from sklearn.feature_extraction import image
from sklearn.decomposition import PCA
# Create patches of size 25 by 25 and create a matrix from all patches
patches = image.extract_patches_2d(grayscale_image, (25, 25), ra
浏览 10提问于2019-10-26得票数 1
回答已采纳
1回答
目前，我正在尝试使用R和caret库一起训练分类器。
ctrl <- trainControl(method = "repeatedcv", number = 10 , savePred=T, classProb=T, verboseIter = T, search = "random" )
start = proc.time()
start
mod <- train(x = data$data, y = data$labels, method = "svmPoly", trControl = ctrl, preProcess = &
浏览 2提问于2016-06-04得票数 0
2回答
在R中进行PCA分析之后，我们可以：
ggbiplot(pca, choices=1:2, groups=factor(row.names(df_t)))
这将绘制2 PC空间中的数据，以及向量(具有不同长度和方向)等空间中变量的方向和权重。
在Python中，我可以在2PC空间中绘制数据，我可以得到变量的权重，但是我如何知道方向。
换句话说，我如何用Python绘制对PC (重量和方向)的变量贡献？
浏览 1提问于2017-07-17得票数 2
回答已采纳
我一直在玩sklearn的k均值聚类类，我对它的预测方法感到困惑。
我在虹膜数据集上应用了如下模型：
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
pca = PCA(n_components = 2).fit(X_train)
X_train_pca = pca.transform(X_train)
X_test_pca = pca.transform(X_test)
kmeans_pca = KMeans(n_clusters=3).fit(X_tr
浏览 11提问于2022-07-04得票数 2
回答已采纳
我正在用sklearn.decomposition.PCA进行主成分分析，我发现如果输入矩阵X很大，两个不同的PCA.transform实例的结果就不一样了。例如，当X是一个100x200矩阵时，就没有问题了。当X是1000x200或100x2000矩阵时，两个不同的PCA实例的结果将不同。我不知道这是什么原因:我想在sklearn的PCA求解器中没有随机元素？我使用的是滑雪版0.18.1。使用python 2.7
下面的脚本说明了这个问题。
import numpy as np
import sklearn.linear_model as sklin
from sklearn.decomp
浏览 1提问于2018-01-05得票数 1
回答已采纳
1回答
变量的解相关与主成分分析
、、、、
我需要对存储在数组values中的两个不同的标量预测器运行回归分析，比如A和B。然而，这两个预测因子彼此高度相关，因此我被告知首先通过PCA解除它们的相关性。我绝对不是PCA方面的专家，但到目前为止我所做的事情如下：
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
import numpy as np
import pandas as pd
values = np.array([1, 2, 3, 4, 5], [10, 11, 12, 13, 14])
# step
浏览 1提问于2021-01-20得票数 0
我正在处理一个30列的数据集(29列，1个非序数分类)。我热编码的分类功能，并达到35列。为了提高培训效率，我希望在我的数据集上执行特征选择。但是，我对如何处理包含分类和数值特性的数据集感到困惑。
我读到，在假人身上应用PCA是不合理的，因为它们是离散的。首先将PCA应用于数值特征，然后将它们与假人连接起来，这是否合理？
我试图通过交叉验证(RFECV)实现对整个特征空间的递归特征删除。但是，我认为删除一些但不是所有的虚拟特性是不合理的，因为它们是从一个类别中生成的。
有什么建议吗？任何帮助都是非常感谢的。
python熊猫科学-学习特性-选择
浏览 0提问于2020-07-15得票数 7
1回答
如何在Python上的PCA中创建相关矩阵？下面，我通过pca.components_创建了特征向量加载的DataFrame，但我不知道如何创建实际的相关矩阵(即这些加载与主成分的相关性如何)。有什么线索吗？
此外，我已经意识到，在Python中，许多这些特征向量加载都是负的。我正在尝试复制在Stata中进行的一项研究，奇怪的是，当Stata相关性为正时，Python负载似乎为负(请参阅附件中的相关矩阵图像，我正尝试用Python复制该图像)。这只是我注意到的一些事情-这里发生了什么？
提前谢谢。
import pandas as pd
import numpy as np
import d
浏览 0提问于2018-10-12得票数 1
我尝试在Python语言中使用Kmeans和一个具有形状(78544,700)的数据帧(Scaled_pca)，但是内核总是死掉的。下面是我的代码：
centers = []
score = []
for i in range(20):
kmean = KMeans(i+1)
model = kmean.fit(Scaled_pca)
centers.append(i+1)
score.append(abs(model.score(Scaled_pca)))
浏览 0提问于2020-01-13得票数 0
1回答
我想知道是否有人知道如何在熊猫数据帧上实现滚动/移动窗口PCA。我环顾四周，发现了在R和MATLAB中的实现，但没有Python。任何帮助都将不胜感激！
这不是重复窗口-移动窗口PCA与整个数据帧上的PCA不同。如果您不了解其中的区别，请参阅pandas.DataFrame.rolling()
浏览 23提问于2017-08-29得票数 3
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
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
