预测使用R中的心理进行PCA
PCA（Principal Component Analysis）是一种常用的统计分析方法，用于降低数据维度并提取主要特征。它通过线性变换将原始数据映射到一个新的坐标系中，使得新坐标系下的数据具有最大的方差。这样做的目的是为了减少数据的冗余信息，提高数据的解释性和可视化效果。
PCA在数据分析和机器学习领域有广泛的应用，包括特征提取、数据压缩、数据可视化、降噪等。在心理学领域，PCA可以用于分析心理测试数据，帮助研究人员理解心理特征之间的关系，发现潜在的心理因素。
腾讯云提供了一系列与数据分析和机器学习相关的产品和服务，可以支持使用R进行PCA分析。以下是一些推荐的腾讯云产品和产品介绍链接：
- 腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）：提供了丰富的机器学习算法和工具，包括PCA等常用算法，可用于数据分析和模型训练。
- 腾讯云数据仓库（https://cloud.tencent.com/product/dw）：提供了高性能的数据存储和分析服务，支持大规模数据处理和查询，适用于处理PCA所需的大规模数据集。
- 腾讯云人工智能开放平台（https://cloud.tencent.com/product/ai）：提供了丰富的人工智能服务和工具，包括图像识别、自然语言处理等，可用于辅助PCA分析中的数据预处理和结果解释。
需要注意的是，以上推荐的腾讯云产品仅供参考，具体选择应根据实际需求和项目要求进行评估。
相关·内容
1回答
PCA项目删除
、、、
我正在做一项调查，总共有288个观察结果(使用了108个完整答案)和大约200个变量。我正在使用主成分分析来减少这些数字，使用R。
假设3个项目(加载到一个名为tmtformalizM的子数据集)理论上应该减少到一个组成部分(来自文献综述)，7点利克特量表。这是对相关矩阵进行的PCA的提取，并结合正交旋转(varimax)：
Principal Components Analysis
Call: principal(r = tmtformalizM, nfactors = 2, rotate = "varimax",
scores = T)
Standardized load
浏览 4提问于2015-02-03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
2回答
我是一名化学家，大约一年前我决定对化学计量学有更多的了解。
我正在处理一个我不知道如何解决的问题：
我进行了一个实验设计(Doehlert类型，有3个因素)，记录了几种分析物的浓度，如，Y，。然后，我在Y上进行了主成分分析，我用第一台PC上的分数(总方差的87%)作为新的y作为线性回归模型，我的实验编码设置为X。
现在，我需要在对新的“训练集”执行PCA之前，执行一次一次的交叉验证，然后像以前一样对分数建立回归模型，预测“测试集”中观察的得分值，并计算预测中的误差，比较预测的分数和在前一次PCA空间中由测试对象投影得到的分数。所以重复了n次(用我实验设计的点数)。我想知道我怎样才能和R。
浏览 2提问于2013-02-20得票数 1
回答已采纳
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
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
1回答
我正在尝试在scikitLearn中使用fastICA过程。为了验证的目的，我试图理解PCA和基于ICA的信号重建之间的区别。
最初观察到的信号数量是6，我尝试使用3个重建独立分量。问题是，无论我使用什么规范，ICA和PCA都会导致相同的重建误差。有人能解释一下这里正在发生的事情吗？
代码如下：
pca = PCA(n_components=3)
icamodel = FastICA(n_components=3,whiten=True)
Data = TrainingDataDict[YearSpan][RiskFactorNames]
PCR_Dict[YearSpan] =
浏览 2提问于2017-08-18得票数 5
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
我是R的新用户，我尝试使用R对我的数据集进行PCA。数据的维度是20x10000，即特征的数量是10000，个体的数量是20。似乎prcomp()不能准确地处理数据，因为计算的特征向量和新数据的维度是20x20和10000x20，而不是10000x10000和20x10000。我也尝试了FactoMineR库，但结果看起来它也失去了一些维度。有没有办法对这样的数据做PCA？:(
浏览 1提问于2013-11-04得票数 0
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
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
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
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
代码：
library(caret); library(kernlab); data(spam)
inTrain <- createDataPartition(y=spam$type,
p=0.75, list=FALSE)
training <- spam[inTrain,]
testing <- spam[-inTrain,]
M <- abs(cor(training[,-58]))
diag(M) <- 0
which(M > 0.8,arr.ind=T)
preProc <- preProcess(log10(spam[,-58]+1),
浏览 0提问于2018-08-10得票数 0
我想用Promax对我的数据做一个间接的PCA。看起来许多著名的软件包只处理正交旋转，或者根本不处理旋转。
不知何故，我成功地使用了“心理”包中的“主体”：
pca <- principal(DataN[,2:6], nfactors=2, rotate="promax")
我有我需要的东西，2个组件，相互关联，有5个变量。使用biplot(pca)，我几乎得到了我想要的图形……除了我想根据一个分类变量(男人和女人)来给我的观点上色。基本上，我可以继续使用ggplot (DataN，groups = DataN$Gender)，它会根据性别自动为我的数据上色。
但在这里，
浏览 17提问于2019-08-06得票数 0
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
在应用K-均值聚类之前，我尝试使用PCA来减少数据的维数.
在下面的数据集中，我有得分、助攻和篮板栏。根据这幅图，前三个主成分包含最大的方差%。
是否有一种方法来区分前三个组件中的每个组件对应什么？例如，如果它对应于2021年左右的“点”列。或者，用什么正确的方式来解释这个情节？
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
from
浏览 9提问于2022-11-02得票数 1
回答已采纳
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
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
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
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
1回答
对于此处提供的数据：
feat_1 feat_2 Label
4.818919448 -8.88997718 0
2.239877125 -7.142062835 0
2.715454379 -9.392740116 0
1.457970779 -9.295304121 0
3.396769719 -4.696564243 0
-0.251264375 -3.11639814 0
1.553138885 -2.56360423 0
2.556077961 -1.639727669 0
3.264100784 -5.353501855 0
5.540
浏览 2提问于2022-06-16得票数 0
回答已采纳
2回答
我试图区分两个群体。每个种群都是一个NxM矩阵，其中N是固定在两者之间的，M是可变长度的(每次运行的N=column特定属性，M=run数)。我看过PCA和K-区分这两种方法的方法，但我对最佳实践很好奇。
据我所知，在K-的意思中，没有初始的“校准”来选择星系团，这样就可以区分已知的双峰种群。它简单地将距离最小化，并将数据分配给任意数量的人口。我想告诉聚类算法，我想要两个种群分离的最佳匹配。然后，我可以使用从未来数据集的初始聚类中获得的fit。任何帮助，示例代码，或阅读材料将不胜感激。
-R
浏览 3提问于2012-07-30得票数 0
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
1回答
支持向量机分类器的学习绘图结果
、、、、
我正在绘制svm分类器的结果。“迷你程序”显示在上。为了进行绘图，我将继续使用的scikit-learn示例。我已经修改了代码，如下所示。我不知道我是不是在正确的道路上，因为我不明白什么时候我把我的数据压缩到二维，如果星系团中心( 100到300个原始数据)也被缩小了，或者当我试图把大的“维度”压缩成2-D时会发生什么。也许有人能给我解释一下^^
#!/usr/bin/env python
import numpy as np
import pylab as pl
from matplotlib.colors import ListedColormap
from sklearn.decomp
浏览 1提问于2013-08-14得票数 0
回答已采纳
我正在尝试用'DMSO‘填充pca.data$Type的值，如果'DMSO’出现在R中的pca.data$sample列中。
pca.data$Type[pca.data$sample %in% "DMSO"]='DMSO'
浏览 2提问于2020-04-08得票数 0
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
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
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
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
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
3回答
我正在运行一个R脚本，使用生成主成分分析的曲线图。
我想输出生成的PCA图的坐标，但我很难找到正确的坐标。我找到了results1$ind$coord和results1$var$coord，但它们看起来都不像默认的绘图。
我找到了和，但都没有描述由PCA创建的变量的内容
library(FactoMineR)
data1 <- read.table(file=args[1], sep='\t', header=T, row.names=1)
result1 <- PCA(data1,ncp = 4, graph=TRUE) # graphs generated au
浏览 0提问于2012-04-21得票数 6
回答已采纳
1回答
计算R中PCA的变换？
、、、
我正在寻找代表从数据集到其PC的映射的权重。目的是建立一个“校准的”固定空间，例如三种葡萄酒，当引入新的观察，例如一种新的葡萄酒时，它可以在先前校准的空间内分配，而不改变固定的PC值。因此，通过执行应用于前三种类型的转换，可以适当地分配新的观测。
library(ggbiplot)
data(wine)
wine.pca <- prcomp(wine, center = TRUE, scale. = TRUE)
print(ggbiplot(wine.pca, obs.scale = 1, var.scale = 1, groups = wine.class, ellipse
浏览 2提问于2016-03-31得票数 1
回答已采纳
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
在阅读了这篇文章之后，我有一个关于PCA的问题。
作者讨论了在计算PCA时是否使用测试集。
但是，很少有需要理解的重要问题: 1)不应将训练集和测试集相结合，同时获得整个数据的PCA分量。因为，这将违反泛化的整个假设，因为测试数据会被“泄漏”到培训集中。换句话说，测试数据集将不再是“看不见的”。最终，这将削弱模型的泛化能力。2)不应分别对测试数据集和训练数据集进行主成分分析。因为，来自训练和测试PCA的结果向量将有不同的方向(由于不相等的方差)。因此，我们最终将比较在不同轴上注册的数据。因此，从列车和测试数据产生的向量应该有相同的轴。
作者提到，“因为这违反了泛化的整个假设，因为测试数据会被‘
浏览 0提问于2017-05-28得票数 1
我已经成功地在我的人脸识别project.Now中实现了人脸检测部分我在image.Now中有一个矩形的人脸区域我必须在这个检测到的矩形区域上实现PCA来提取重要的特征我用过在人脸数据库上实现PCA的例子我想知道我们如何将检测到的人脸传递给实现PCA的函数?我们是否通过矩形框架？这是我的人脸检测代码。
#include "cv.h"
#include "highgui.h"
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <asse
浏览 2提问于2012-01-20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
我试着在R中做主成分分析。我相信有两种方法可以做到。一种是立即进行主成分分析，另一种方法是首先使用s=scale(M)对矩阵进行标准化，然后应用主成分分析。
我如何判断哪个结果更好？我应该特别关注哪些值。我已经使用这两种方法找到了特征值和特征向量，即每个特征向量的方差比例。
我注意到没有标准化的第一个pca的方差比例有更大的值。这有什么意义吗？不是一直都是这样吗？
最后，如果我应该预测一个变量ie权重，当我做主成分分析时，我应该从我的数据矩阵中去掉变量ie权重吗？
浏览 3提问于2009-11-22得票数 3
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
我正在尝试用TensorFlow在结构化数据上实现一个多标签分类器。我使用具有两个完全连接的层的神经网络，但我还集成了嵌入，如此中所述，因此我可以在TensorBoard投影仪中看到PCA图。我注意到，当我更改模型时，PCA图保持不变。那么，TensorBoard投影是如何连接到模型的呢？我如何使用这个PCA的结果来进行预测，例如找到与新样本最近的邻居？
浏览 5提问于2018-02-11得票数 0
回答已采纳
1回答
我有一个好的(或至少是一个自我一致的)校准集，并已应用PCA和最近的PLS回归对n.i.r。已知水和添加剂混合物的光谱，以预测按体积计算的添加剂的百分比。到目前为止，我已经做了自我校准，现在想盲目地预测来自n.i.r.spectrum的浓度，八度通过plsregress命令返回XLOADINGS、YLOADINGS、XSCORES、YSCORES、COEFFICIENTS和FITTED。“拟合”是对浓度的估计。八度音程使用SIMPLS方法。
如何利用这些回归变量来预测浓度，给出一个新的样品光谱？
分数通常用T表示，负荷用P和X=TP'+E表示，其中E是残差。我被卡住了。
浏览 3提问于2016-08-11得票数 0
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
我有以下数据可用的在链接中作为一个csv，它传递有关恒星的信息。
更具体地说，列ID表示示例的任意ID。列z表示我的目标变量(响应)。其他列表示每个示例可用的属性(预测器)及其相应的测量误差。
我使用以下代码将11D数据缩减为3个主成分，并绘制了数据在主空间中的散度图(用颜色表示目标变量Z)。
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
#first we remove the target z and ID from the dataset and standr
浏览 0提问于2020-02-23得票数 1
1回答
我正在为美国的鹿种建立一个图像分类模型，我目前正在对这些图像进行PCA，以减少它们的内存大小，并在达到这一点时减少模型的运行时间。
我知道主成分分析应该在不放弃太多方差的情况下减少数据集的维数。所以当我注意到通过我的Deer_PCA函数运行的所有新的PCA压缩图像都比原始图像大的时候，我有点困惑。在n_components = 150上运行后，原始映像为128 KB，新压缩映像为293 KB。有人知道为什么会发生这种事吗？
下面是我在函数中运行的图片，在运行代码之前将图像放在一个空文件夹中：
下面是通过Deer_PCA函数运行它之后的新压缩映像：
这是我的代码：
#import s
浏览 2提问于2021-10-21得票数 0
回答已采纳
1回答
PCA使我的图像成为垃圾
、、、
所以我有42000张图片。每个图像都是28x28，因此有784个特征或像素。
我想做一个手写数字分类系统。
所以我想我应该使用PCA来降低图像的维度。
下面是PCA的代码
pipeline = Pipeline([ ('scaling', StandardScaler()),('pca',PCA(n_components=676))])
X_array = pipeline.fit_transform(X_array)
现在的问题是PCA使所有的图像都是随机的，我的意思是所有的像素在颜色上都是完全随机的。
下面是PCA之前的一个数字图像
这是PCA
浏览 19提问于2018-01-28得票数 2
例如，假设我有两个连续/定量预测特征f1、f2和目标连续变量t。f1与t的皮尔逊相关性为0.7，f2与t的相关性也为0.7
现在我必须决定只保留2个预测器特征中的一个。我还可以执行哪些统计测试来帮助我做出这个决定？
我想在不使用任何套索，岭或PCA的情况下做出这个决定。而是纯粹使用统计检验。哪些是最好的NHST，如果有的话，可以在这里提供帮助？
提前感谢
浏览 12提问于2021-05-22得票数 0
回答已采纳
1回答
稀疏矩阵的内部处理
、、、、
我一直在比较Python和R的几个PCA实现的性能，并注意到一个有趣的行为：
虽然用Python计算稀疏矩阵的PCA似乎是不可能的(唯一的方法是 TruncatedSVD，但它不支持以均值为中心的计算方法，这就需要与PCA的协方差解等价)。他们的论点是，它会破坏矩阵的稀疏性。其他实现，如Facebook的PCA算法或scikit学习中的PCA/随机PCA方法，由于类似的原因不支持稀疏矩阵。
虽然所有这些对我来说都有意义，但一些R包，如、rsvd等，能够处理稀疏矩阵(例如，使用rsparsematrix生成的矩阵)，甚至允许特定的center=True参数。
我的问题是，R是如何在内部处理这个问
浏览 2提问于2018-06-14得票数 28
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
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
