Python numpy和sklearn PCA返回不同的协方差向量
尝试通过和通过学习PCA,但有趣的是,当我使用numpy和sklearn时,我得到了不同的协方差矩阵结果 numpy结果与此解释性文本匹配,但sklearn结果与两者不同 这有什么原因吗Python numpy和sklearn PCA返回不同的协方差向量,python,numpy,scikit-learn,Python,Numpy,Scikit Learn,尝试通过和通过学习PCA,但有趣的是,当我使用numpy和sklearn时,我得到了不同的协方差矩阵结果 numpy结果与此解释性文本匹配,但sklearn结果与两者不同 这有什么原因吗 d = pd.read_csv("example.txt", header=None, sep = " ") print(d) 0 1 0 0.69 0.49 1 -1.31 -1.21 2 0.39 0.99 3 0.09 0.29 4 1.29 1.09 5 0.49
d = pd.read_csv("example.txt", header=None, sep = " ")
print(d)
0 1
0 0.69 0.49
1 -1.31 -1.21
2 0.39 0.99
3 0.09 0.29
4 1.29 1.09
5 0.49 0.79
6 0.19 -0.31
7 -0.81 -0.81
8 -0.31 -0.31
9 -0.71 -1.01
Numpy结果
print(np.cov(d, rowvar = 0))
[[ 0.61655556 0.61544444]
[ 0.61544444 0.71655556]]
from sklearn.decomposition import PCA
clf = PCA()
clf.fit(d.values)
print(clf.get_covariance())
[[ 0.5549 0.5539]
[ 0.5539 0.6449]]
sklearn结果
print(np.cov(d, rowvar = 0))
[[ 0.61655556 0.61544444]
[ 0.61544444 0.71655556]]
from sklearn.decomposition import PCA
clf = PCA()
clf.fit(d.values)
print(clf.get_covariance())
[[ 0.5549 0.5539]
[ 0.5539 0.6449]]
因为对于
np.cov
默认的标准化是(N-1),其中N是给定的观察数(无偏估计)。如果偏差为1,则归一化为N
设置bias=1
,结果与PCA
相同:
In [9]: np.cov(df, rowvar=0, bias=1)
Out[9]:
array([[ 0.5549, 0.5539],
[ 0.5539, 0.6449]])
这不应该影响协方差。在本例中,数据已经居中。