如何在TensorFlow中将'sphereize data‘选项与PCA一起使用
在TensorFlow中，'sphereize data'选项与PCA（Principal Component Analysis，主成分分析）可以一起使用来对数据进行预处理和降维。
首先，让我们了解一下这两个概念：
- 'sphereize data'选项：这是一种数据预处理技术，用于将数据进行归一化处理，使其具有单位方差。通过将数据的每个特征减去其均值，然后除以标准差，可以实现数据的归一化。这有助于提高模型的收敛速度和性能。
- PCA（Principal Component Analysis）：这是一种常用的降维技术，用于将高维数据转换为低维表示，同时保留数据的主要特征。PCA通过找到数据中的主成分（即方差最大的方向）来实现降维。这些主成分是原始特征的线性组合，可以用于减少数据的维度，并且通常保留了大部分的信息。
现在，让我们看看如何在TensorFlow中将'sphereize data'选项与PCA一起使用：
- 数据预处理： 在TensorFlow中，可以使用tf.feature_column模块中的numeric_column函数来定义数值特征列。在定义数值特征列时，可以设置'sphereize data'选项为True，以对数据进行归一化处理。例如：
- 数据预处理： 在TensorFlow中，可以使用tf.feature_column模块中的numeric_column函数来定义数值特征列。在定义数值特征列时，可以设置'sphereize data'选项为True，以对数据进行归一化处理。例如：
- PCA降维： 在TensorFlow中，可以使用tf.linalg模块中的pca函数来进行PCA降维。首先，需要将数据转换为张量（Tensor）的形式，然后使用pca函数对数据进行降维。例如：
- PCA降维： 在TensorFlow中，可以使用tf.linalg模块中的pca函数来进行PCA降维。首先，需要将数据转换为张量（Tensor）的形式，然后使用pca函数对数据进行降维。例如：
- 其中，data是输入的数据，k是要保留的主成分数量。
综上所述，通过在TensorFlow中使用'sphereize data'选项和PCA，可以对数据进行归一化处理并进行降维。这有助于提高模型的性能和效率。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云TensorFlow：https://cloud.tencent.com/product/tensorflow
相关·内容
1回答
用PCA降低CNN训练集中的#维
、、、、
短版本：--我很难用PCA减少训练数据的维数。训练数据是为二维CNN建立的，它将图的图像分类为三类。
模型的目的
我是主成分分析的新手。我有一个2D卷积神经网络，它将图的图像(36乘36 px)分类为三类之一，如下所示：
改进模型
我意识到大部分像素都是白色的，所以CNN的效率很低，训练时间也很长。我意识到了降维技术，并尝试使用PCA。我将我的训练图像转换为灰度，并将“特征图”可视化(如左所示)。然后，我从特征图(如右图所示)重建原图。
X=grayscale
pca_oliv = PCA(n_components = 36)
X_proj = pca_oliv.fit_transf
浏览 5提问于2021-08-15得票数 1
回答已采纳
1回答
我正试图建立一个预测航班票价的预测问题。我的数据集有几个可处理的变量，如类、小时、周、月、月等。我使用多种算法(如xgboost、ANN )来拟合模型。
我有一个热编码的这些变量，导致总共90个变量，当我试图为这个数据拟合一个模型时，训练r2_score在.90附近很高，测试分数相对很低(0.6)。
我对时间变量使用了正弦和余弦变换，总共只有27个变量。随着这种训练的准确性下降到.83，但是测试分数增加到.70。
我认为我的变量是稀疏的，并尝试进行PCA，但这大大降低了性能的火车集和测试集。
因此，我对同样的问题很少有疑问。
为什么PCA对我的模型的性能没有帮助和逆转，对如何提高我的模型性能有
浏览 2提问于2020-01-06得票数 0
当我在导入tensorflow之前导入scikit-learn时，我没有任何问题。运行这段代码会产生1.7766212763101197e-12的输出。
import numpy as np
np.random.seed(123)
import numpy.random as rand
from sklearn.decomposition import PCA
import tensorflow as tf
X = rand.randn(100,15)
X = X - X.mean(axis=0)
mod = PCA()
w = mod.fit_transform(X)
h = mod.co
浏览 2提问于2018-03-02得票数 0
我已经在下面的页面上成功地使用了带有‘球化数据’选项的主成分分析：https://projector.tensorflow.org/ 我想知道如何使用TensorFlow应用程序接口在本地运行相同的计算。我找到了PCA documentation in the API documentation，但我不确定是否在API中的某个地方也提供了数据分离功能？
浏览 41提问于2021-07-08得票数 3
回答已采纳
1回答
我创建了一个用于图像分类的CNN模型，我想使用主成分分析(PCA)，但是当我运行pca.fit()代码时，代码仍然运行数小时，内存就满了。那么，我想知道如何在CNN中使用PCA来利用Keras进行图像识别？
我的代码：
#Data files
train_iris_data = 'Iris_Database_01/Training'
valid_iris_data = 'Iris_Database_01/Validation'
test_iris_data = 'Iris_Database_01/Testing'
#Image data gen
浏览 0提问于2019-07-31得票数 5
2回答
保留PCA中的特定成分
、、、、
我有一个名为"data“的numpy数组，它有500行和500列。使用sklearn中的PCA，我可以将其压缩为500行和15列。我相信，从本质上说，我从500轴和500点到15轴和500点。这些轴都是正交的，很好地解释了我的数据。
但是我想知道是否有任何方法来确保15个轴中的一个(我运行PCA后得到的)也是最初的500。也就是说，我能否保留一个原始轴，并使用PCA (或其他一些方法)来找到其余的14个？
我的代码如下：
from sklearn.decomposition import PCA
#data is some 500x500 numpy array
pca = PCA(n
浏览 5提问于2015-06-21得票数 3
回答已采纳
以下是未使用矢量化的原始代码 import tensorflow as tf
import time
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data(
path='mnist.npz'
)
x_train = x_train.reshape(60000,-1)
scaler = StandardS
浏览 16提问于2020-12-30得票数 0
回答已采纳
我正在使用来自tensorflow中心的ELMO模型。
import tensorflow as tf
import tensorflow_hub as hub
from tensorflow.contrib import predictor
elmo = hub.Module("https://tfhub.dev/google/elmo/3", trainable=False)
默认输出维度为1024。有没有可能在不使用PCA/丢失信息的情况下将ELMO嵌入降到128？
浏览 2提问于2020-07-08得票数 1
回答已采纳
这里我有两个不同的数据集。dataset1为力板数据，dataset2为足底压力数据。dataset1有形状(2050,2)，dataset2有形状(2050，89)。在进行培训之前，我已经使用minmaxscaler()将数据规范化，标度为0-1。在对数据进行规范化之后，我使用PCA对dataset2进行了数据预处理。这里我将把足底压力的数据维降到12，所以当前的足底压力数据是(2050.12)。
这是我的CNN模型：
import math
import numpy as np
import pandas as pd
import tensorflow as tf
import seabo
浏览 0提问于2022-12-21得票数 1
Python3.6.6
Tensorflow 1.14.0
numpy 1.17.4
python==3.6.6conda安装python=3.6.6activate -n 1.12 pip python-tkpip conda创建-n-n 1.12 pip python-tkpip-n 1.12pip安装--忽略-已安装--升级tensorflow==1.12conda installed -c anaconda pip安装枕头pip python-tkpip python-tkpip<code>h 123</code>pip安装cython<code>H
浏览 2提问于2019-11-16得票数 0
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
from tensorflow.examples.tutorials.mnist import input_data
mnist=input_data.read_data_sets('data/MNIST/', one_hot=True)
numpy实现
# Entire Data set
Data=np.array(mnist.train.images)
#centering the data
mu_D=np.mean(Data, axis=0)
Data-=mu_D
COV_MA = np.cov(Data, rowvar=False)
eigenvalues, eig
浏览 0提问于2018-09-30得票数 4
我制作了一个图形用户界面应用程序，它使用Tensorflow从.h5文件加载模型并获得预测结果。在将程序放入应用程序之前，该程序在终端上运行时运行得很好。但是，当我使用py2app制作应用程序时，我从tensorflow_core得到一个错误。 我曾尝试使用Python3将应用程序组合在一起，但在这样做时遇到了许多其他错误。 下面是我关于Tensorflow的导入(在Bay.py文件中)： from tensorflow.keras import models
import tkFileDialog as filedialog
import tensorflow as tf 当我运行pyth
浏览 14提问于2019-12-21得票数 2
在本地Win10计算机上运行以下代码并面临错误。
进口下列包装：
import tensorflow as tf
import tensorflow_transform as tft
import tensorflow_transform.beam as tft_beam
from tensorflow_transform.tf_metadata import dataset_metadata
from tensorflow_transform.tf_metadata import schema_utils
import pprint
import tempfile
python: 3.7
浏览 7提问于2021-12-25得票数 0
在使用结构相似性指数对图像进行比较之前，我使用PCA来减少图像的维数。使用PCA后，tf.image.ssim会抛出一个错误。
我在这里比较图像没有使用PCA。这工作得很完美-
import numpy as np
import tensorflow as tf
import time
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data(
path='mnist.npz'
)
start = time.time()
for i in range(1,6000):
x_t
浏览 2提问于2020-12-28得票数 0
回答已采纳
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
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
K均值聚类前的主成分分析
、、、、
如果我将PCA应用于特征向量，然后进行聚类，如下所示：
reduced_data = PCA(n_components=2).fit_transform(data)
kmeans = KMeans(init='k-means++', n_clusters=n_digits, n_init=10)
kmeans.fit(reduced_data)
减少的数据将是PCA的组成部分，所以在用k均值聚类之后，您可以得到每个点(reduced_data)的标签，如何从原始数据中知道哪一个点呢？
关于集群的数量，如何处理多个PCA组件？谢谢。
浏览 3提问于2017-02-27得票数 0
1回答
我的数据包括16通道x128samplesx 400试验。我想在这个数据集中执行详尽的频道选择。我应该在哪里应用PCA？
unsortedChannelIndices = [1:16]
sortedChannelIndices = [];
%Option 1
reducedData = PCA(data, classIndeces)
for chIdx = 1:length(unsortedChannelIndices)
for c=1:length(unsortedChannelIndices)
thisChannel = unsortedChannelIndices
浏览 3提问于2015-10-13得票数 1
回答已采纳
2回答
给出一套购买记录，我想知道哪些产品经常一起购买。物流PCA是实现这一目标的一种合理方法吗？是否有任何为此目的的聚类方法？我希望有任何方法的指针，可以帮助这一点。
浏览 0提问于2022-03-13得票数 2
2回答
我想在基于某些行索引的配对图中为点着色。下面是我用来绘制一个变量与另一个变量的代码。
cases<-which(rownames(data_no_na) %in% colnames(tumor_data))
controls<-which(rownames(data_no_na) %in% colnames(control_data))
plot(y=range(pca[,1]),x=range(pca[,2]),type='n',xlab="Principle Component 2",ylab="Principle Component
浏览 3提问于2013-03-24得票数 11
回答已采纳
4回答
PCA优先还是归一化优先？
、、、、
在进行回归或分类时，预处理数据的正确(或更好)方法是什么？ 标准化data -> PCA ->训练 PCA ->归一化PCA输出->训练 归一化数据-> PCA ->归一化PCA输出->训练 以上哪一项更正确，还是预处理数据的“标准化”方法？所谓“标准化”，我指的是标准化、线性缩放或其他一些技术。
浏览 473提问于2012-04-12得票数 23
回答已采纳
1回答
开发应用程序在R闪亮，我希望我的输入数据的PCA结果作为应用程序的一部分。我很困惑如何从数据库中删除NA，并将整个数据转换为数字形式和数据的PCA。我附上了我用于server.R和ui.R的代码。
我运行了这段代码，得到了错误：错误是什么意思？shniy的代码：
library(factoextra)
library(dplyr)
library(tidyverse)
library(FactoMineR)
options(shiny.maxRequestSize = 20*1024^2)
shinyServer(function(input,output){
# This reacti
浏览 11提问于2020-03-06得票数 0
回答已采纳
1回答
我想有我自己的脚本，绘制加载和数十个PCA。主要的问题是负载和分数不是相同的单位度量(在我的数据中)。我想我需要在代码中以某种方式扩展加载。这里我试图给出一个虹膜数据PCA双图的例子，但是这段代码给出了一个错误：
错误:不知道如何将o添加到情节中
# mybiplot
# load data in
data <- (iris)
iris <- data[,1:4]
species <- data[,5]
# apply pca
pca <- prcomp(iris, center = TRUE,scale. = TRUE)
# extract scores
浏览 1提问于2017-02-02得票数 0
回答已采纳
1回答
我有一个RGB图像。我想应用PCA进行图像压缩，并在应用程序之后看到输出。
以下是我想做的事：
from PIL import Image
import numpy as np
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
------
def load_image(infilename):
img = Image.open(infilename)
img.load()
img.show()
data = np.asarray(img, dtype="int3
浏览 0提问于2020-07-14得票数 1
Tensorboard投影仪可视化- PCA保持挂起。
我写了一个简单的神经网络来预测虹膜数据集的类别类型。神经网络模型工作正常。
import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn import preprocessing
import tensorflow as tf
import tensorflow as tf
from tensorflow im
浏览 0提问于2018-11-06得票数 6
1回答
根据手册，上面写着[coeff,score,latent,tsquared,explained,mu] = pca(X)。在我看来，PCA和截断的SVD是一样的。但是对于pca的输出，哪一个是截断的特征向量，哪个是截断的特征值？
浏览 5提问于2014-09-02得票数 0
在sklearn中使用PCA时，很容易提取出组件：
from sklearn import decomposition
pca = decomposition.PCA(n_components=n_components)
pca_data = pca.fit(input_data)
pca_components = pca.components_
但我无论如何也想不出如何从LDA中取出组件，因为没有components_属性。sklearn lda中有没有类似的属性？
浏览 0提问于2012-12-20得票数 20
2回答
如何提高迁移学习的准确性？
、、、、
I正在训练古吉拉特语光学字符识别模型。输入图像是字符图像。我上了37门课。总训练图像为22200张(每班600张)，测试图像为5920张(每班160张)。我的输入图像大小为32x32。。
下面是我的代码：
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D
from tensorflow.keras.layers import MaxPooling2D
from tensorflow.keras.layers import Flatten
from tensorflo
浏览 5提问于2020-10-09得票数 0
1回答
我尝试使用来自Car93的代码对数据进行PCA，但是我得到了非常奇怪的结果，例如，我收到了
round(loadings(cars.pca)[,1], 3)
Min.Price Price Max.Price MPG.city
-0.005 -0.005 -0.005 0.005
MPG.highway EngineSize Horsepower RPM
浏览 3提问于2014-01-17得票数 0
为什么PCA和IncreasePCA的结果有很大的不同？
我使用PCA和IncreasePCA来拟合相同的数据。
但是当变换时，两种方法之间的差距很大。
你能帮我解释一下吗？非常感谢!
import numpy as np
from sklearn.decomposition import PCA, IncrementalPCA
data = np.random.random([100000, 512])
pca_obj = PCA(n_components=256)
ipca_obj = IncrementalPCA(n_components=256, batch_size=1000)
pc
浏览 0提问于2019-07-05得票数 1
回答已采纳
[下面的图4是我需要的结果，另外两个图显示了我从我的数据中获得的结果:环境数据或丰度数据的PCA
无复制ofR -如何使用ggplot2使PCA双线图更具可读性或绘制pca双线图
它同时在PCA中进行丰度和环境数据，使用两个不同的数据框架:我被告知它将以这样的方式工作:从PCA1获得物种的坐标，然后使用第二个命令覆盖物种坐标向量，不是来自PCA 1，而是来自另一个数据集，该数据集与第一个数据集具有相同的位置不是丰富，而是环境数据。
10年前，我的教授做了一个关于和环境数据的主成分分析。他将物种丰度数据的主成分分析结果与主成分分析得分和可能影响分布的环境因素之间的相关性进行了叠加。当我有
浏览 1提问于2018-07-23得票数 3
1回答
如何在Keras中实现分层模型？
、、、、
我正在尝试重建https://arxiv.org/abs/1709.04250中的模型。 作者将文本分解成话语(把它们想象成句子)，然后使用双向LSTM来组合这些话语，然后再次使用双向LSTM，这一次是在一系列话语表示上，并通过使用CRF层来预测与每个话语相关联的标签来完成它。 这是模型架构的可视化：enter image description here 这是我的尝试，用Keras实现，并使用https://github.com/keras-team/keras-contrib的CRF层 embedding_layer = Embedding(len(word2id) + 1, EMBED
浏览 34提问于2020-11-10得票数 0
回答已采纳
我在Scikit中探索PCA -学习( Python 3上的0.20)使用Pandas来构造我的数据。当我应用测试/训练分割(仅当)时，我的输入标签似乎不再匹配PCA输出。
import pandas
import sklearn.datasets
from matplotlib import pyplot
import seaborn
def load_bc_as_dataframe():
data = sklearn.datasets.load_breast_cancer()
df = pandas.DataFrame(data.data, columns=data.fe
浏览 1提问于2018-11-01得票数 1
回答已采纳
使用以下函数，我试图从数据中生成索引：
功能：
import numpy as np
from sklearn.decomposition import PCA
def pca_index(data,components=1,indx=1):
corrs = np.asarray(data.cov())
pca = PCA(n_components = components).fit(corrs)
trns = pca.transform(data)
index=np.dot(trns[0:indx],pca.explained_variance_r
浏览 3提问于2016-02-04得票数 0
回答已采纳
我有一个包含3目标变量和n特征变量的季节性时间序列数据集。在将数据输入到简单的LSTM之前，我尝试应用PCA算法。我所做的工作如下：
features)Apply 拆分列车验证-测试列车数据集的标准标量器(Forcemean=0& std=1) (包括目标和目标PCA，仅针对列车的特征，通过第三步的PCA矩阵)验证和目标中的特征变量:如何处理目标的验证和目标的测试variables?...多神经网络预处理和构造LSTM的体系结构
我的问题是:如何对目标变量进行缩放/规范化？通过PCA？，通过任何独立的定标器(标准，mapminmax，等等)？如果我离开原来的目标值，我在我的LSTM中得
浏览 6提问于2021-11-09得票数 0
回答已采纳
1回答
从创建HTML类图库
、、、
我正在R中做一个数据分析项目。最后，我需要提交一个HTML文档。
我使用自动绘图函数创建了几个PCA双图，大致如下：
autoplot(pca, data = expression, x = 1, y = 2)
#pca is a prcomp element and expression is a data frame
到目前为止，它们在HTML文档中被绘制在另一个下面。是否有一个函数可以让我点击不同的情节？所以只有第一个情节被显示，通过点击箭头或其他东西，第二个情节显示在同一个地方？有点像画廊。
相同块的多个情节在R标记中显示的方式会更好，因此您可以通过单击其中的一个缩微版本来选择一个特
浏览 2提问于2020-06-30得票数 0
回答已采纳
1回答
我想在this notebook之后做一个主成分分析，从它的组件(使用Quandl找到)重建DJIA (我正在使用alpha_ventage)。然而，在重构主成分乘以其权重的值时，我似乎创建了比预期更多的值，而不是原始数据帧 kernel_pca = KernelPCA(n_components=5).fit(df_z_components)
pca_5 = kernel_pca.transform(-daily_df_components)
weights = fn_weighted_average(kernel_pca.lambdas_)
reconstructed_values =
浏览 20提问于2021-02-04得票数 0
我试着在Julia做一个散点图，我有3个班级。
我想为这些类定义不同的颜色。
我试过了：
using(PyPlot)
pca = readdlm("pca1_2_fam.txt", header=false);
plot(pca[:,3], pca[:,4], color = pca[:,1])
pca文件如下所示：
Name1 208094 -0.00476681 0.00822032
Name1 514876 -0.00531507 -0.00721858
Name2 515043 0.00365503 -0.01794700
Name2 515066 0.00467896
浏览 2提问于2016-06-18得票数 4
我想在GPU上使用Tensorflow1.13 1.13实现一个RNN。按照官方建议，我编写了以下代码，以获得一堆RNN单元
lstm = [tk.layers.CuDNNLSTM(128) for _ in range(2)]
cells = tk.layers.StackedRNNCells(lstm)
但是，我收到一条错误消息：
tensorflow.python.keras.layers.cudnn_recurrent.CuDNNLSTM：(所有单元格都必须具有state_size属性。接收到的单元格：‘，<0x13aa1c940>上的state_size对象’)
浏览 1提问于2019-03-24得票数 1
回答已采纳
我想画一个熟悉在中的图形。但是，我的新的多重ggproto看上去很糟糕，就像在p1中显示的那样，因为标签缺少背组颜色。我尝试过多种变体，例如修改GeomLabel$draw_panel，以便在ggplot2::ggproto中重置geom的默认参数。但是，我找不到labelGrob()函数，它在ggplot2和grid包中被删除。因此，修改的解决方案不起作用。如何修改多个ggproto中标签的背组颜色。有什么想法吗？提前谢谢。这是我的代码和两张照片。p1：标签的背景色应该是白色的，文本的颜色应该是黑色的。
P2：显示错误的点颜色、线条颜色和图例。
geom_enterotype <-
浏览 1提问于2017-03-03得票数 2
回答已采纳
1回答
我使用python和手表的图像(例如：观看_1、观看_2、观看_3。)。我的目标是拍摄一张随机手表的照片，然后在我的数据库中找到与它最相似的手表。显然，区别手表的一个主要特征是它们的形状(方形、长方形、圆形、椭圆形)，但也有其他特征。
现在，我只是运行一个PCA和KNN对rgb图像的手表，以找到其中最相似的。我的源代码如下：
import cv2
import numpy as np
import os
from glob import glob
from sklearn.decomposition import PCA
from sklearn import neighbors
from s
浏览 0提问于2018-02-20得票数 3
2回答
这个问题适用于我自己的数据，但为了可复制性，我的问题/问题也出现在FactoExtra vignette或中，因此为了简单起见，我将使用它。
首先，生成一个简单的PCA (scale = T)，并从前4个轴提取坐标变量：
head(var$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
1回答
在使用factoextra库绘制主成分分析结果时，我试图保持我的图样具有一致的可变颜色。可复制的例子如下：
data("decathlon2")
df <- decathlon2[1:23, 1:10]
library("FactoMineR")
res.pca <- PCA(df, graph = FALSE)
get_eig(res.pca)
# Contributions of variables to PC1
fviz_contrib(res.pca, choice = "var", axes = 1, top = 10)
浏览 0提问于2018-09-03得票数 2
回答已采纳
我想获得信任，但是当我尝试clf.score(X_test)时，我得到了以下错误：
TypeError: score()至少需要3个参数(2个给定)
这是我的密码：
import cv2, os
from numpy import *
import numpy as np
from PIL import Image
from sklearn.decomposition import PCA
from sklearn.decomposition import RandomizedPCA
from sklearn.naive_bayes import GaussianNB
import m
浏览 2提问于2017-03-21得票数 0
回答已采纳
我是个初学者，下面有下面的代码。
from sklearn.naive_bayes import GaussianNB
from sklearn.decomposition import PCA
pca = PCA()
model = GaussianNB()
steps = [('pca', pca), ('model', model)]
pipeline = Pipeline(steps)
cv = StratifiedShuffleSplit(n_splits=5, test_size=0.2, random_state=42)
modelwithpc
浏览 0提问于2017-07-07得票数 1
回答已采纳
1回答
我正在使用python sklearn.cluster进行集群。我有61个数据，每个数据都是26维的。原始数据：
UserID Communication_dur Lifestyle_dur Music & Audio_dur Others_dur Personnalisation_dur Phone_and_SMS_dur Photography_dur Productivity_dur Social_Media_dur System_tools_dur ... Music & Audio_Freq Others_Freq Per
浏览 1提问于2021-02-12得票数 1
我一直在关注tensorflow上使用LSTM进行时间序列预测的教程：
我的目标是在项目中使用这种架构之前尝试一下它。在这个例子中，数据集中有10个特征，但我想要处理的那个有大约14000个特征。
因此，按照教程“多步模型”的最后一节，我尝试添加PCA变换来获得前3个主成分(PC)，而不是仅仅随机选择3个特征。
我的假设是，我应该在性能上略有提高，或者什么都没有，但结果是性能下降了，错误率翻了一番。
我在运行修改后的部分之前设置了seed，以便将结果与tuto进行比较。
下面是我修改的一小段代码，其中包括PCA：
from sklearn.decomposition import P
浏览 0提问于2020-05-08得票数 0
2回答
PCA可视化解释
、、、
我试图构建一个分类器来预测某一特定时间的节目的收视率。
我已经提取了大约109个特征，其中一些是关于时间场的，
一年中的一天
年月
是周末吗？
在营业时间？
公共假日？
我还包括了一些明确的特点，并使用了标签二进制，它出现在哪个频道，以及广播。
我想检查数据集的线性度，这将告诉我是否可以使用线性回归器，或者像神经网络这样的非线性数据集。我决定使用PCA进行降维，以便可视化数据集是否在2D中是线性可分的。
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
data_scaled = pca.fit_transform(
浏览 0提问于2019-08-27得票数 1
在空格分隔的ascii文件中有6个包含600万条目的文件。我正在使用maptools包来读取ascii文件(read.ascii)。每个文件表示图像中的一个像素。我需要对每个单独的像素实体进行求和(表1+数据点1中的数据点1表2+.。+数据点1表6)。我已经创建了一个程序，可以提取和求和图像中的第一个像素.但是，对于如何将这些求和写入一个ascii文件，我有一些问题。有什么想法吗？
我的代码：
library(maptools)
#Variable Declaration
num <- 6210775
i <- 1
#Open the 6 Factor files
tablex
浏览 4提问于2014-12-23得票数 0
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
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
