有没有办法防止R在PCA分析中将我的变量更改为序列号？
在PCA（Principal Component Analysis，主成分分析）中，R语言默认会将变量名称转换为序列号。如果你希望保留原始变量名称，可以采取以下方法：
- 使用
prcomp()函数进行PCA分析时，设置参数scale. = TRUE，即prcomp(data, scale. = TRUE)。这样做会对数据进行标准化处理，使得变量的均值为0，标准差为1，但会保留原始变量名称。 - 在进行PCA分析之前，将数据转换为数据框（data frame）格式，并为每个变量指定名称。例如，假设你的数据存储在一个矩阵
my_data中，你可以使用以下代码将其转换为数据框，并为每个变量指定名称：
my_data <- as.data.frame(my_data)
colnames(my_data) <- c("var1", "var2", "var3", ...)这样做可以确保在PCA分析中保留原始变量名称。
- 如果你希望在进行PCA分析后，将主成分（principal components）与原始变量对应起来，可以使用
prcomp()函数的scores属性。该属性返回每个观测值在主成分上的投影值，你可以将其与原始变量进行关联。
pca_result <- prcomp(data, scale. = TRUE)
scores <- pca_result$scores以上是防止R在PCA分析中将变量更改为序列号的几种方法。希望对你有帮助！
关于PCA分析的更多信息，你可以参考腾讯云的《主成分分析（PCA）》文档：主成分分析（PCA）
相关·内容
我正在使用R中的FactoMineR和factoextra包运行PCA分析。在分析之后，R不断地将我的第一列行名改为序列号。我想知道如何在不更改为序列号的情况下保持列的原样。 我是R的新手，所以我不知道该怎么做。 library(readr)
library(FactoMineR)
mm <- read_csv("masters.csv")
mm.active$TREATMENTS <- as.factor(mm.active$TREATMENTS) #this the column
#that is being changed to serial number
浏览 4提问于2019-08-30得票数 0
1回答
我想进行PCA，以减少总共14个项目的数量。在获得主成分之后，我将使用这些成分作为逻辑回归中的自变量。 这14个项目属于两个结构:资源(5项)和文化(9项)。 我的问题是，我是应该对所有14个项目进行一个PCA，还是对每两个结构进行两个不同的PCA并获取组件。最后，我希望能够在逻辑回归输出中分别解释两个不同的结构(资源和文化)。 提前谢谢你。
浏览 11提问于2020-07-24得票数 0
1回答
我正在使用形态测量执行一些主成分分析，这些测量使用log10进行归一化。我使用以下命令在R中生成PCA：
library(factoextra)
PCA_morpho <- prcomp(dataframe_morpho, scale = TRUE)
在这之后，我制作了一个屏幕图，看看哪些组件解释了使用以下命令获得的差异：
fviz_screeplot(PCA_morpho)
打印的图表在这里：
有没有可能知道哪些输入变量(来自我的"dataframe_morpho")构成了这个屏幕图中的每个“维度”？每个“维度”可以是我的数据中的每个度量？
浏览 6提问于2021-10-21得票数 0
1回答
如何将PCA应用于R中的术语文档矩阵？
我有一个文档，我在术语文档矩阵上应用了PCA，但所有的pc组件都是零。我想知道这是否是执行PCA分析的正确方法。
浏览 0提问于2016-05-03得票数 0
1回答
在一个SPSS项目中，我有525行/记录，35列数据。我的目标是运行Q模式PCA，它是在转置的表上运行的PCA。
有没有什么针对SPSS的Python脚本或者其他自动化这个过程的技巧？
浏览 2提问于2012-11-06得票数 1
回答已采纳
1回答
我试图在Windows 10中使用R中的PCA绘制我的数据集。
指定的零长度标签
以下是数据集和代码：
Taxon,L/D1 ,L/D4,L/DL,Di.Pro.,ST,H.Fo/H.Ch
1,3,2.9,2.28,200,2,1
1,1.33,2.3,2.44,225,2,1
1,2,2.52,2.4,150,2,1
1,3.5,2.75,2.32,125,2,1
1,3.18,2.81,2,125,2,1
1,2.35,3,2.82,125,2,1
1,2.72,2.28,2.09,250,2,1
2,3.6,2.82,2.65,125,4,1
2,2.5,2.7,3.02,150
浏览 4提问于2017-08-04得票数 1
我正在尝试构建一个机器学习算法集成，第一个使用boosting算法，第二个使用堆栈算法。当我尝试创建我的模型时，我得到以下错误：
Error: wrong model type for regression
以下是我的代码：
library(mlbench)
library(caret)
library(caretEnsemble)
#Remove Null Values
Data <- Data[complete.cases(Data), ]
control <- trainControl(method="repeatedcv", number=10,
浏览 6提问于2018-11-30得票数 0
1回答
我想通过学习PCA将图像的维数从(480,640,3)降到(1,512)。因此，我将图像重塑为(1,921600)。然后，我执行pca来降低维数。但它改为(1,1)而不是(1,512)
>>> img.shape
(1, 921600)
>>> pca = PCA(n_components=512)
>>> pca.fit_transform(img).shape
(1, 1)
有人能告诉我如何缩小单个图像的维数吗？谢谢
浏览 9提问于2017-08-31得票数 0
回答已采纳
我有一个有14个属性的数据集，其中大约一半是名义上的。我使用了二进制向量器将这些值转换为多个属性。属性的数量自然会膨胀；我现在正坐在大约50个属性上。我看过用PCA来减少这个数目。
就我所能理解的内容而言，我应该将我的目标变量排除在分析之外。但我不确定是否应该对所有剩余的数据集(包括已经是数字的值，如“年龄”)执行PCA，还是只对从名义值转换为数字值的值执行PCA，然后将这些值重新添加到已经数值的值中。
为了澄清，我已经将这个数据集从标称转换为二进制，我不确定是否应该将PCA应用于生成的二进制列，或者整个过程。
浏览 0提问于2018-01-06得票数 1
1回答
我必须将PCA应用于包含数值和分类值的数据集上。在预处理阶段，我用数字转换了所有的分类值，这样软件就可以处理它们(基本上我创建了虚拟变量)。现在，为了应用PCA，我必须对数据矩阵进行缩放，使其平均值等于0。我的问题是:规范分类值(现在是数字，但它们实际上是绝对值)是否有意义？我想不是，但那样的话，我该怎么做呢？我做PCA而不缩放这些变量？
谢谢!
浏览 0提问于2018-06-10得票数 3
1回答
请有人解释一下什么时候使用FA或者什么时候使用PCA，就像我所理解的那样，FA进行降维，但是PCA --主要目标是相同的。那我应该用哪一种?在哪种情况下？
浏览 0提问于2021-12-12得票数 1
回答已采纳
1回答
给定维数X的维数D x N，利用QR分解计算C = np.dot(X, X.T)/N的特征值。依据如下：
我们期望C的特征值是np.diag(r.T,r)，使用以下方法
q, r=np.linalg.qr(np.dot(X.T, V))
lambdas2=np.diag(np.dot(r.T, r)) / N
但是，我使用下面的代码在lambdas2中使用的值与lambda1中的值不同。
from sklearn.decomposition import PCA
pca = PCA()
pca.fit(X)
lambdas1=pca.explained_variance_
完整的例子
浏览 0提问于2019-03-12得票数 1
回答已采纳
我有来自同一湖心的2个代理(特别是植物大型化石和遗体变形虫)的古数据。我已经对两个代理的转换数据运行了PCA。我希望在同一双图上被动地将一个代理绘制在另一个代理之上，以便调查其中一个代理可能如何影响另一个代理。
我很熟悉如何使用素食和绘图、点、箭头和文本命令等在R中构建一个双向图。我的问题是，如果我将一个代理绘制在另一个代理上，除了确保代理的缩放比例相同之外，是否还有其他方法来确保最终绘图的准确性？是否可以创建一个代理的双线图，并简单地覆盖第二组物种数据，如下所示？这就是所谓的“被动”覆盖吗？
# construct biplot for proxy1
plot(proxy1_pca, typ
浏览 0提问于2016-09-13得票数 2
1回答
我有一套70个输入变量，我需要对其执行PCA。根据我的理解，对每个输入变量的均值是0，方差是1，这是应用主成分分析所必需的。
我很难弄清楚，在将我的数据集传递给preprocessing.StandardScaler()中的PCA或PCA函数之前，是否需要执行标准的缩放own。
如果是后者，那么无论我是否应用，或者不应用preprocessing.StandardScaler()，explained_variance_ratio_都应该是相同的。
但是结果是不同的，因此我认为在应用preprocessing.StandardScaler()之前，PCA是必要的。是真的吗？
浏览 0提问于2018-10-19得票数 6
回答已采纳
2回答
我有三个环境变量的环境横断面数据。我在R中对我的三个环境变量执行了PCA。我想沿着单个主成分绘制我的点(我的横断面上的点)。如果我在R中使用plot()函数，它会生成一个二维双线图。
如何创建我的PCA的1D图？
以下是我所做的工作：
pca1= princomp(~ X250 + X500 + shear, data=data, scores=TRUE, cor=TRUE)
plot(pca1)
浏览 3提问于2013-11-25得票数 1
1回答
我有20个4维矩阵，我想对它们执行PCA，得到的可能是2或3个4维矩阵，可以解释大部分方差。我认为这意味着我有20个观测值，但是我如何将我的20个观测值组织到一个矩阵中来执行PCA？仅仅将每个矩阵排列成一列是正确的吗？我不确定，因为我觉得虽然20个矩阵是相关的，但各个矩阵中的元素是不相关的。
这里有没有人能帮我理解PCA？非常感谢!
浏览 0提问于2014-09-10得票数 0
1回答
我想把主成分分析应用于卡格尔号的泰坦尼克号
现在我只取有数值的列，去掉幸存的值，所以我有五个变量，如果我们忽略依赖变量(‘NaN’)，实际上是四个。
我已经将其加载到DataFrame df中，如果我使用PCA获取五个组件：
pca_model = PCA(n_components=5)
pca_model.fit(df)
pca_model.explained_variance_ratio_
[ 9.30197643e-01 6.93699966e-02 2.24377672e-04 1.49076254e-04
5.89069784e-05]
我发现93%的
浏览 30提问于2017-03-03得票数 0
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
我有一个简单的R脚本，用于在一个微小的数据中运行，以便为每个变量找到解释的累计方差百分比：
library(FactoMineR)
a <- c(1, 2, 3, 4, 5)
b <- c(4, 2, 9, 23, 3)
c <- c(9, 8, 7, 6, 6)
d <- c(45, 36, 74, 35, 29)
df <- data.frame(a, b, c, d)
df_pca <- PCA(df, ncp = 4, graph=F)
print(df_pca$eig$`cumulative percentage of variance`)
返
浏览 2提问于2017-04-11得票数 0
回答已采纳
我想使用PCA对一些数据，以获得最重要的主成分的矩阵，捕捉95%的总方差。我在找一个函数来做这个，但我找不到办法。
我只知道以下几点：
from sklearn.decomposition import PCA
# W_0 is a matrix
pca = PCA().fit(W_0)
# get the index of the component which has variance higher than 0.95
index_component = np.min(np.argwhere(np.cumsum(pca.explained_variance_ratio_)>0.95
浏览 4提问于2019-10-23得票数 0
回答已采纳
我试图在矩阵(C)上执行PCA，其中每列代表不同的时间点，每行代表一个特征，我试图找到最主要的主成分，并将它们相互对比。我正在使用mdp模块，如果这个模块返回矩阵，其中每一行代表一个主成分，其中最重要的成分按降序排列，我会感到困惑。
import mdp
C=mdp.pca(C)
print C
import matplotlib.pyplot as plt
plt.plot(C[2,:C.shape[1]], C[1,:C.shape[1]], 'r*')
plt.show()
谢谢!
浏览 1提问于2012-08-25得票数 0
回答已采纳
我试图使用以下数据集通过r中的主成分分析(pca)运行社会资本数据：
我可以很好地运行分析，但我需要将因素加载合并到原始数据集上，以便进行进一步的分析和表示。我只需要知道如何在运行pca分析时保留id变量，以便将这些变量合并到原始数据集中。
我已经标准化了数据，然后运行下面的代码(这是我从另一个来源收集的)。对于美国的每个县，我收到的似乎是一个列中的因素加载，但我的问题是，我的原始数据库包含每个县的id变量(FIPS代码)，但因素加载不包含。
calcpc <- function(variables,loadings)
{
# find the number of samples i
浏览 3提问于2019-01-12得票数 0
一位教练在一段视频中做到了这一点。他只是给出了一个简单的解释，他这样做是因为R的默认性质。但是，我以前从未见过这个应用程序。这是正确的吗?他为什么要这样做？
pca <- prcomp(data, scale=TRUE)
pca$rotation <- -pca$rotation
pca$x <- -pca$x
浏览 15提问于2020-05-09得票数 1
1回答
我正在使用R (RStudio)来构建一个指数/合成指标来评估，比如说，商业效率。我使用了factorMineR包中的PCA()命令，并使用了7个不同的变量。我以前通过计算每个特定变量在第一个组件上的权重(可以通过PCA()$var$coord，1获得)来创建类似的指数，没有问题，因为每个变量都有一个正的权重。但是，有一个特定变量的权重带有不希望看到的符号:负值。变量是“交付速度”，这个标志意味着速度越快，流程的效率就越低。那到底是怎么回事呢？你会如何解决这个问题，最好还是使用PCA？
浏览 6提问于2018-11-23得票数 0
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
1回答
我最近开始使用python从事机器学习等相关领域的工作。今天，我正在处理一个数据集，我想在其中应用降维并应用我的模型来评估分数。这个数据集有30个特征。
我从一个简单的算法开始，这是Logistic回归，但在应用我的logistic回归之前，我想做一个PCA。为了确定哪个组件的数量是最好的，我使用了带有逻辑回归的gridsearchCV，只使用了C参数和我选择组件数量的主成分分析。我得到的结果是，我在PCA中使用的组件越多，精度得分就越高。以我的n_components=30为例，我得到了0.81的精度分数。
问题是，我认为PCA用于降维(即处理较少的特征)，它可以帮助提高分数。有什么我不明白
浏览 1提问于2020-10-26得票数 0
1回答
在对MNIST数据应用PCA后，我确定了CNN模型和层。在拟合CNN模型(X_train_PCA，Y_train)后，我在评估阶段结束了维数问题。这里是消息"ValueError: Error when checking input:期望conv2d_1_input具有形状(1，10，10)，但得到形状为(1，28，28)的数组“。当我尝试将X_test重塑为10X10格式时，我得到了非常低的分数 首先，我应用了最小-最大正则化，然后将主成分分析应用于X_train。然后，我从X_train生成了验证数据。问题是，我可以用100维格式拟合数据(在应用PCA之后)，我的输入数据变成了1
浏览 92提问于2019-01-05得票数 0
回答已采纳
1回答
聚类变量
、、
在一个大的高维二进制数据集中(考虑200,000+行和150+字段)中，有哪些方法可以很容易地在R中实现，以找到高度相关变量的分组？我想找到变量的分组，这有助于解释，所以我不认为PCA将是最好的方法。
浏览 2提问于2014-01-29得票数 0
回答已采纳
主成分分析需要标准化还是规范化？经过一些谷歌后，我感到困惑。pca需要标量是相同的。那我该用哪一种。
在PCA之前需要做哪些技术？
pca需要标准化吗？标准值永远是零，标准差永远是1。
pca需要规范化吗？0到1范围
还是两者兼备？
浏览 0提问于2020-12-09得票数 1
回答已采纳
有10个滑块，每个滑块值-更改窗口中的图像。但是，在没有调用root.mainloop()函数的情况下，我无法找到一种方法来做到这一点。这虽然最终会导致堆栈溢出，但我通过打印回溯长度(“内存”变量)检查了这一点。
root = tk.Tk()
class SliderClass:
def __init__(self,i,j):
global no
self.no = no
self.w = Scale(root, label="PCA_feature "+str(self.no+1),
from
浏览 0提问于2019-02-05得票数 0
回答已采纳
1回答
我确实理解主成分分析。我知道怎么做，以及它实际做了什么。我已经应用了PCA，我的最佳结果显示是两个组件。我确实理解，我的每一个输入现在在每个组件中都起到了部分作用。我不明白的是如何将PCA的结果(在我的例子中是2个组件)提供给机器学习模型？我们如何输入它们呢？
例如，当我想对我的特征运行NN时，我只能导航到它们的存储位置并导入它们，但我的PCA分析已经在SPSS中运行，它显示的是我的特征对每个组件的贡献。
我应该导入什么到我的NN模型？
浏览 2提问于2018-05-12得票数 1
2回答
我有一个很大(500k X 500k)的稀疏矩阵。我想知道它的主要组成部分(实际上，即使只计算最大的PC也可以)。随机化的PCA效果很好，除了它本质上是寻找协方差矩阵的特征向量，而不是相关矩阵。使用大型稀疏矩阵的协方差矩阵找到PCA的软件包有什么想法吗？最好是在python中，尽管matlab和R也可以工作。
(作为参考，向提出了类似的问题，但方法涉及协方差矩阵)。
浏览 1提问于2012-11-28得票数 3
主成分分析和因子分析是否相同？这两种方法都用于数据降维，但从理论上讲，我无法找到它们之间的区别？
为了减少数据集中的变量数，我在SPSS中做了FA。我认为同样的想法也可以用PCA来完成。PCA从来没有这么想知道两种技术的确切区别。
浏览 0提问于2018-09-20得票数 1
2回答
我刚刚对一个包含大约20,000个变量的大型数据集执行了PCA分析。为此，我使用了以下代码：
df_pca <- prcomp(df, center=FALSE, scale.=TRUE)
我很好奇我的变量是如何影响PCA.1 ( PCA分析的维度1)和PCA.2 ( PCA分析的维度2)的。
我使用以下代码来查看每个变量如何影响维度分析：
fviz_pca_var(df_pca, col.var = "black")
然而，这将创建一个包含我的所有20,000个变量的图，由于有如此多的信息，它是不可读的。
有没有一种方法可以选择对PCA.1和PCA.2影响最大的变量，并
浏览 22提问于2020-05-05得票数 1
回答已采纳
假设我有9维和6000个样本的训练数据，我应用PCA算法学习学习PCA。
我将它的维度降为4，并且知道我希望尽快将一个包含9个特性的新样本转换到包含4个组件的培训数据空间。
这是我的第一个pca代码：
X_std = StandardScaler().fit_transform(df1)
pca = PCA(n_components = 4)
result = pca.fit_transform(X_std)
有什么方法可以用sklearn函数来完成吗？
浏览 4提问于2016-11-29得票数 1
回答已采纳
阅读，所有示例都将转换器应用于整个数据集(例如，StandardScaler，PCA)。
比方说，有没有可能只缩放数据集中的特定变量？如果这是可能的，那么我可以将我的整个特征工程过程放到一个管道中，并将其应用于我的训练和测试集。
浏览 1提问于2017-10-13得票数 2
1回答
我需要使用sklearn做一些PCA，我想确保我做的方式是正确的。下面是我的代码：
from sklearn.decomposition import PCA
pca = PCA(n_components=5)
pca_result = pca.fit_transform(data)
eigenvalues = pca.singular_values_
print(eigenvalues)
x = pca_result[:,0]
y = pca_result[:,1]
数据如下所示：
[[ -6.4186, -14.3534, 18.1296, -2.8110, 14.0298],
浏览 0提问于2019-12-09得票数 1
1回答
我知道这可能是一个愚蠢的问题，但有人能解释一下ade4包中bca()的$tab输出是什么意思吗？我做到了：
> obs.pca=dudi.pca(data.frame(t(data)), scannf=F, nf=10)
> obs.bet=bca(obs.pca, fac=as.factor(data.cluster), scannf=F, nf=2)
我想更好地理解这个命令给出的不同输出，尤其是$tab。在ade4手册中解释了一个数据框类-变量包含每个变量的每个类的平均值。有没有人能更好地解释一下这是什么意思？
谢谢!
浏览 1提问于2014-01-31得票数 0
2回答
特征冗余
、、
为什么特征是相互依赖的，具有高度相关性的特性，意味着它们是多余的？另外，PCA是否有助于去除冗余/不相关的特征，还是在我们的数据集上运行PCA之前，必须去除冗余/无关的特征？
浏览 0提问于2016-06-17得票数 2
回答已采纳
我正在从.js文件导入.json：import pca from './pca.js'。在控制台中使用console.log()会输出正确的JSON，但是当我试图在代码中访问它时
pca_json = JSON.parse(pca); (I can remove parsing, not working either)
pca_json["rowname"].forEach(...
webpack失败了，错误如下：
我尝试更改extention：.js -> .json，但它根本无法导入文件，在这种情况下，给了我另一个错误：
pca
浏览 8提问于2017-12-27得票数 0
回答已采纳
1回答
我有100个带有二进制值的列，0，1加上一些没有二进制值的额外列。我正在尝试做回归模型，但是模型性能很低。对于非二进制特征，我使用PCA来降低其维数.我认为对二进制值使用PCA是不合适的。我猜，这是因为二进制列数量很多，所以模型做得不太好。在这种情况下能做些什么呢？我已经测试了几乎所有的回归模型，在学习中可用。
我可以采取什么方法来提高模型的性能？任何建议。
浏览 0提问于2019-07-29得票数 1
2回答
所以我对RFM变量(最近，频率，货币)进行k均值聚类.RFM变量以分位数(1-4)的形式存在。我用了PCA找到了PCA的成分。然后，我用肘形方法找到了最优的簇数，然后在k均值算法中使用它。如果这是正确的方法，有人能指点我吗？此外，我在图上得到的星系团，它们的轴范围
📷
从-3到3，我不完全确定为什么会这样。
浏览 0提问于2018-06-21得票数 1
假设我有一个名为Economic_Trends的数据集，它包含5列10年的数据。举个例子，
Economic_Trend <- matrix(c(1:10, 2:11, rnorm(30)), byrow = FALSE, nrow = 10, ncol = 5)
然后这是我运行的代码：
mu <- colMeans(Economic_Trend)
Econ_pca <- prcomp(Economic_Trend)
PCA1 <- Econ_pca$x[,1]
PCA2 <- Econ_pca$x[,2]
plot(Econ_pca$x[,1], Eco
浏览 0提问于2018-03-05得票数 2
2回答
当涉及到考虑平均值时，数字1和2背后的直觉是什么？这将如何影响性能和准确性？
数字1：
pca = decomposition.PCA(n_components=4)
X_centered = X - X.mean(axis=0)
pca.fit(X_centered)
X_pca = pca.transform(X_centered)
数字2：
pca = decomposition.PCA(n_components=4)
pca.fit(X)
X_pca = pca.transform(X)
提前感谢
浏览 2提问于2020-06-02得票数 2
回答已采纳
1回答
我正在编写一个函数，该函数对xts对象中的变量对执行PCA，直到所有变量之间的相关性小于0.1。下面是我写的函数：
PCA_Selection <- function(X, r=0.1){
M <- cor(X) # Creating corrolation matrix
M[M==1] <- 0 # filling the diagnal with 0s so that pairs of the same variables are not considered
while(max(abs(M)) > r){
M <- cor(X)
浏览 5提问于2020-03-22得票数 1
2回答
我正在用RPy2制作一些情节。绘图显示，但X11窗口立即消失。
我所输入的只是以下内容，其中CCFS是一个数据矩阵
import rpy2.robjects as robjects
r = robjects.r
pca = r.princomp(CCFS)
r.plot(pca,main="Eigenvalues")
r.biplot(pca,main="biplot")
r['dev.off']() #*EDIT* the problem persists even if I remove this line.
我是不是没把什么东
浏览 6提问于2012-09-29得票数 1
回答已采纳
1回答
我有一个回归问题，我的数据有21个特征，我希望应用PCA降维。据我所知，到目前为止，我看到的所有教程都使用PCA来解决分类问题。我确实为回归做了主成分分析，但我无法显示很好的散射图，在x轴上显示PC1，在y轴上显示PC2，在中间显示目标。
我写了以下代码
X = self.X
pca = PCA(n_components=NUM_FEATURES_PCA)
principal_components = pca.fit_transform(X)
principalDf = pd.DataFrame(data=principal_
浏览 0提问于2020-01-14得票数 1
回答已采纳
1回答
我试着用ggbiplot绘制PCA结果，我如何绘制补充变量？我为MCA结果找到了，但是我也想要箭头.
data(wine)
wine.pca <- PCA(wine, scale. = TRUE, quanti.sup = c(4,5))
plot(wine.pca)
ggbiplot(wine.pca)
此外，这段代码给了我一个错误：
1: In sweep(pcobj$ind$coord, 2, 1/(d * nobs.factor), FUN = "*") :
STATS is longer than the extent of
浏览 3提问于2016-06-01得票数 2
回答已采纳
2回答
我需要用EQUAMAX-rotation在R中进行主成分分析(PCA)。
不幸的是，principal() I通常用于PCA的函数不提供这种旋转。
我可以发现包GPArotation可能是可能的，但我还不知道如何在PCA中使用它。
也许有人可以给出一个如何做equamax-rotation主成分分析的例子？
或者，在另一个直接提供equamax-rotation使用的包中是否有PCA的功能？
浏览 2提问于2014-06-19得票数 1
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
