Python:使用SVD实现PCA
我试图找出使用奇异值分解的PCA与使用特征向量分解的PCA之间的区别 绘制以下矩阵:Python:使用SVD实现PCA,python,data-science,pca,svd,Python,Data Science,Pca,Svd,我试图找出使用奇异值分解的PCA与使用特征向量分解的PCA之间的区别 绘制以下矩阵: B = np.array([ [1, 2], [3, 4], [5, 6] ]) 当使用特征向量分解计算该矩阵B的PCA时,我们遵循以下步骤: 通过从每列中减去列平均值,将数据(B项)居中 计算协方差矩阵C=Cov(B)=B^T*B/(m-1),其中m=#行B 求C的特征向量 PCs=X*特
B = np.array([ [1, 2],
[3, 4],
[5, 6] ])
当使用特征向量分解计算该矩阵B的PCA时,我们遵循以下步骤:
C=Cov(B)=B^T*B/(m-1)
,其中m=#行BPCs=X*特征向量
B=U*Sigma*V.T
PCs=U*Sigma
[[-2.82842712 0. ]
[ 0. 0. ]
[ 2.82842712 0. ]]
通过SVD,我获得了以下结果:
[[-2.18941839 0.45436451]
[-4.99846626 0.12383458]
[-7.80751414 -0.20669536]]
通过特征向量分解得到的结果是作为解给出的结果。那么,为什么SVD得到的结果不同呢
我知道:
C=Cov(B)=V*(Sigma^2)/(m-1))*V.T
,我觉得这可能与为什么这两个结果不同有关。还是。有人能帮我更好地理解吗?请看下面的矩阵与sklearn.decomposition.PCA和numpy.linalg.svd的比较。您可以比较或发布如何导出SVD结果
sklearn.decomposition.PCA的代码:
from sklearn.decomposition import PCA
import numpy as np
np.set_printoptions(precision=3)
B = np.array([[1.0,2], [3,4], [5,6]])
B1 = B.copy()
B1 -= np.mean(B1, axis=0)
n_samples = B1.shape[0]
print("B1 is B after centering:")
print(B1)
cov_mat = np.cov(B1.T)
pca = PCA(n_components=2)
X = pca.fit_transform(B1)
print("X")
print(X)
eigenvecmat = []
print("Eigenvectors:")
for eigenvector in pca.components_:
if eigenvecmat == []:
eigenvecmat = eigenvector
else:
eigenvecmat = np.vstack((eigenvecmat, eigenvector))
print(eigenvector)
print("eigenvector-matrix")
print(eigenvecmat)
print("CHECK FOR PCA:")
print("X * eigenvector-matrix (=B1)")
print(np.dot(PCs, eigenvecmat))
PCA的输出:
B1 is B after centering:
[[-2. -2.]
[ 0. 0.]
[ 2. 2.]]
X
[[-2.828 0. ]
[ 0. 0. ]
[ 2.828 0. ]]
Eigenvectors:
[0.707 0.707]
[-0.707 0.707]
eigenvector-matrix
[[ 0.707 0.707]
[-0.707 0.707]]
CHECK FOR PCA:
X * eigenvector-matrix (=B1)
[[-2. -2.]
[ 0. 0.]
[ 2. 2.]]
numpy.linalg.svd:
print("B1 is B after centering:")
print(B1)
from numpy.linalg import svd
U, S, Vt = svd(X1, full_matrices=True)
print("U:")
print(U)
print("S used for building Sigma:")
print(S)
Sigma = np.zeros((3, 2), dtype=float)
Sigma[:2, :2] = np.diag(S)
print("Sigma:")
print(Sigma)
print("V already transposed:")
print(Vt)
print("CHECK FOR SVD:")
print("U * Sigma * Vt (=B1)")
print(np.dot(U, np.dot(Sigma, Vt)))
SVD的输出:
B1 is B after centering:
[[-2. -2.]
[ 0. 0.]
[ 2. 2.]]
U:
[[-0.707 0. 0.707]
[ 0. 1. 0. ]
[ 0.707 0. 0.707]]
S used for building Sigma:
[4. 0.]
Sigma:
[[4. 0.]
[0. 0.]
[0. 0.]]
V already transposed:
[[ 0.707 0.707]
[-0.707 0.707]]
CHECK FOR SVD:
U * Sigma * Vt (=B1)
[[-2. -2.]
[ 0. 0.]
[ 2. 2.]]
非常感谢。我还计算:如果我将矩阵B居中,然后执行SVD,结果等于特征向量分解。我不知道我还得把矩阵居中