Numpy 解释方差计算

我的问题是针对具体问题的

我不明白你为什么要求平方特征值 这里

此外，除了用于计算特征向量的原始数据外，对于新转换的数据不计算方差。这不是正常的做法吗

在这种情况下，您是否也要单独计算数据

Y

的解释方差。为此，我认为我们必须使用第3点，而不是使用本征值

解释方差也可以通过将变换空间中每个轴的方差除以总方差来计算。有什么理由不在这里做吗

---

您问题的答案：

1） 散射矩阵特征值的平方根（例如XX.T）是X的奇异值（参见此处：）。所以你把它们摆正重要：初始矩阵X应居中（数据已预处理为零平均值），以保持上述结果

2） 是的，这就是路。基于奇异值计算方差。见第1点

3） 这是相同的，但在你描述的情况下，你必须项目的数据，然后做额外的计算。如果你只是使用特征值/奇异值来计算它，就不需要这样做（关于这两者之间的联系，请再次参见第1点）

最后，请记住，并非每个人都真正想要投影数据。有些人只能得到特征值，然后在不投影数据的情况下立即估计解释的方差。所以这是最好的金本位方式

编辑1:

对编辑的第2点的回答

不是。主成分分析是一种无监督的方法。它只转换X数据，不转换Y（标签）

---

同样，可以使用特征值/奇异值或如您所说的使用投影数据（例如，估计投影数据的协方差）使用半行代码快速、轻松地计算解释的方差，然后，PC的差异将出现在对角线上。

只是一个评论-我认为您的问题更适合链接github回购协议中的问题。如果我的答案有帮助，请告诉我。我可以扩展我对第一点的回答，但我已经发布了一个参考链接。谢谢你的回答！我更新了问题中的第2点。我想以前不清楚。你能检查一下吗。

pca = PCA(n_components=2, svd_solver='full')
pca.fit(X) 
pca.transform(Y)