Python <p></p> başlıca bileşenleri (k) sayısını seçerken, biz örneğin, varyans% 99, korunur, böylece en küçük değer olması choose k pca.explained_variance_ratio_ kesme

Question

Guru, öğrenmek scikit.

Ancak, Python Scikit öğrenmesinde,% 100 emin değilim, pca.explained_variance_ratio_ = 0.99, "varyansın% 99'u korunur" a eşittir? Birisi aydınlatabilir mi? Teşekkürler.

• Python Scikit PCA kılavuzu öğrenmek Evet, neredeyse haklısın burada

http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html#sklearn.decomposition.PCA

Answer 1

olduğunu. pca.explained_variance_ratio_ parametresi, her boyutun açıkladığı varyansın bir vektörünü döndürür. Böylece pca.explained_variance_ratio_[i] sadece i + 1 boyutunda açıklanan varyansı verir.

Muhtemelen pca.explained_variance_ratio_.cumsum() yapmak istiyorsunuz. Bu x bir x[i] ilk i + 1 boyutları tarafından açıklanan kümülatif varyansı döndürecek şekilde döndürecektir. Ben k=4 aldı eğer

---

[ 1.50756565 1.29374452 0.97042041 0.61712667 0.31529082] 
[ 0.32047581 0.27502207 0.20629036 0.13118776 0.067024 ] 
[ 0.32047581 0.59549787 0.80178824 0.932976 1.  ] 

import numpy as np 
from sklearn.decomposition import PCA 

np.random.seed(0) 
my_matrix = np.random.randn(20, 5) 

my_model = PCA(n_components=5) 
my_model.fit_transform(my_matrix) 

print my_model.explained_variance_ 
print my_model.explained_variance_ratio_ 
print my_model.explained_variance_ratio_.cumsum() 

Yani benim rastgele oyuncak verilerinde, ben varyansın% 93.3 koruyacak.

Answer 2

Bu soru 2 yaşından büyük olmasına rağmen, bu konuda bir güncelleme yapmak istiyorum. Aynı şeyi yapmak istedim ve şu anda sklearn gibi görünüyor, bu özellik kutunun dışında kalıyor. docs

ise 0 < n_components belirtildiği gibi

< 1 ve svd_solver == açıklanması gereken sapma miktarı, oranından daha büyük olduğu şekilde bir bileşen sayısını 'tam' seçeneğini n_components

tarafından belirtilen Yani gerekli kod artık

my_model = PCA(n_components=0.99, svd_solver='full') 
my_model.fit_transform(my_matrix)