Python 使用scikit学习PCA.score（）时出错

我正在使用来自sklearn库的

PCA

（主成分分析）。我正在使用的训练集具有以下形状：

X\u-train:（124,13），y\u-train:（124,12）

。测试集具有以下形状：

X\u测试：（54,13），y\u测试：（54,13）

我就是这样做的

PCA

：

from sklearn.decomposition import PCA

pca = PCA(0.75) #75 % variance retained
X_train_pca = pca.fit_transform(X_train_std)
X_test_pca = pca.transform(X_test_std)

print  X_train_pca.shape, X_test_pca.shape, y_train.shape, y_test.shape

>>> (124, 5), (54, 5), (124,), (54,)

为了检验主成分分析结果的优度，我首先使用logistic回归

from sklearn.linear_model import LogisticRegression
lr = LogisticRegression()
lr = lr.fit(X_train_pca, y_train)

并且，我使用

LogisticRegression

中的

score

，使用测试数据集来发现转换的有效性和拟合的平均精度：

print lr.score(X_test_pca, y_test)
>>> 0.9814814814814815

但是，当我使用PCA（sklearn）中的

分数时，我会遇到错误：

print pca.score(X_test_pca, y=None)

---------------------------------------------------------------------------
ValueError                                
Traceback (most recent call last)
<ipython-input-217-540210963ed0> in <module>()
----> 3 print pca.score(X_test_pca, y=None)

/Users/username/.local/lib/python2.7/site-packages/sklearn/decomposition/pca.pyc in score(self, X, y)
    529             Average log-likelihood of the samples under the current model
    530         """
--> 531         return np.mean(self.score_samples(X))
    532 
    533 

/Users/username/.local/lib/python2.7/site-packages/sklearn/decomposition/pca.pyc in score_samples(self, X)
    503 
    504         X = check_array(X)
--> 505         Xr = X - self.mean_
    506         n_features = X.shape[1]
    507         log_like = np.zeros(X.shape[0])

ValueError: operands could not be broadcast together with shapes (54,5) (13,) 

print pca.score（X\u test\u pca，y=None）
---------------------------------------------------------------------------
数值误差
回溯（最近一次呼叫最后一次）
在（）
---->3打印主成分分析分数（X检验主成分分析，y=无）
/得分中的Users/username/.local/lib/python2.7/site-packages/sklearn/decomposition/pca.pyc（self，X，y）
529当前模型下样本的平均对数似然
530         """
-->531返回np.平均值（自我评分样本（X））
532
533
/分数样本中的Users/username/.local/lib/python2.7/site-packages/sklearn/decomposition/pca.pyc（self，X）
503
504 X=检查_阵列（X）
-->505 Xr=X-自身平均值_
506 n_特征=X.形状[1]
507 log_like=np.zero（X.shape[0]）
ValueError:操作数无法与形状（54,5）（13，）一起广播

我做错了什么？我如何在
X_测试
（和
y_测试
）中测试
PCA
结果的优劣？
对于
PCA.score（）
，您将需要使用原始测试数据。目前您正在向其中发送
X_测试PCA
，该数据已被转换

对于任何scikit学习方法中的
score（）
函数，您将需要在
fit（）
函数中使用的数据类型。而不是转换后的输出。
PCA
将自动转换
score（）
方法中的原始数据，然后计算日志似然度

更改此项：

pca.score(X_test_pca, y=None)

为此：

pca.score(X_test_std, y=None)

对于
PCA.score（）
，您将需要使用原始测试数据。当前您正在向其中发送
X\u test\u PCA
，该数据已被转换

对于任何scikit学习方法中的
score（）
函数，您将需要在
fit（）
函数中使用的数据类型。而不是转换后的输出。
PCA
将自动转换
score（）
方法中的原始数据，然后计算日志似然度

更改此项：

pca.score(X_test_pca, y=None)

为此：

pca.score(X_test_std, y=None)

我在这里看到的基本问题是将映射（转换）应用于训练集和测试集。您刚刚对训练数据集进行了映射。@min2bro:谢谢您的回答。但是，我感到困惑。当我在LogisticReturnal（
lr.score）的
score
中使用
X_test
和
y_test
时，我没有发现任何错误（X_测试\u pca，y_测试）
）。当我使用
pca
中的
得分时，会发生错误。我在这里看到的基本问题是应用映射（变换）对于训练集和测试集。您刚刚对数据集进行了训练。@min2bro:谢谢您的回答。但是，我感到困惑。当我在逻辑回归（
lr.score（X\u test\u pca，y\u test）
中使用
X\u test
和
y\u test
时，我没有发现任何错误。当我从
PCA
使用
score
时，会发生错误。