Python 值错误eps=0.100000，因为我尝试减少数据维度。这可能是什么原因？

我正在尝试将scikit用于我的数据集，其形状为

1599 x 11

，如下所示：

transformer = random_projection.GaussianRandomProjection()
X_new = transformer.fit_transform(wine_data.values[:, :11])

当我这样做时，我得到一个错误，上面写着：

ValueError: eps=0.100000 and n_samples=1599 lead to a
target dimension of 6323 which is larger than the original 
space with n_features=1

---

我不理解这个错误。这到底是什么意思？我如何使用

GaussianRandomProjection

来降低数据维度？

这里直接引用了官方Scikit学习文档中关于

GaussianRandomProjection

的参数

n_components

：

目标投影空间的维数

n_组件可根据组件数量自动调整 数据集中的样本和 约翰逊·林登斯特劳斯引理。在这种情况下，嵌入的质量 由eps参数控制

应该注意的是，Johnson-Lindenstrauss引理可以产生 所需部件数量的保守估计 不对数据集的结构进行假设。

在你的例子中，在“减少”维数后，估计量似乎倾向于产生6323维的预测目标。这显然出乎意料，因为您希望减少维度而不是增加维度。我建议您首先假定所需输出的尺寸（即8），然后测试模型是否以预期方式工作

transformer = GaussianRandomProjection(n_components=8) #Set your desired dimension of the output
X_new = transformer.fit_transform(wine_data.values[:, :11])

---

祝你好运

为什么它不自动降低维度？@SuhailGupta是的，它是自动的，但不降低维度！因为在您的特殊情况下，预计需要的组件数量为6323。但是你只有11个功能！因此，您需要明确地告诉算法您希望剩下多少组件，或者您可以增加您的

eps

。我更喜欢前一种方法，因为它更可靠。@SuhailGupta顺便说一句，如果您想深入了解

n_组件

是如何自动派生的，请访问此。此

sklearn.random\u projection.johnson\u lindenstrauss\u min\u dim

函数用于

n\u组件的计算。