Python 通过sklearn.decomposition.PCA执行svd，如何从中获取U S V？

我执行SVD与

从奇异值分解方程出发

A=U x S x V\t

V_t=V的转置矩阵 （对不起，我无法粘贴原始方程式）

---

如果我想要矩阵U、S和V，如果我使用？

首先，根据矩阵的大小，PCA的sklearn实现并不总是计算完整的SVD分解。以下资料摘自：

印刷品

(array([[ -3.55731195e-01,   5.05615563e-01],
        [  2.88830295e-04,  -3.68261259e-01],
        [  7.10884729e-01,  -2.74708608e-01],
        [ -5.68187889e-01,  -4.43103380e-01],
        [  2.12745524e-01,   5.80457684e-01]]),
 array([ 9.950385  ,  0.76800941]),
 array([[ 0.69988535,  0.71425521],
        [ 0.71425521, -0.69988535]]))

---

但是，如果您只想对原始数据进行SVD分解，我建议您使用

我不熟悉python，因此这对我来说很难。还有一个问题是，如果数据量很大，“随机化”和“完整”之间有什么更好的选择。我应该为我的数据集选择什么？“随机化”和“完全”之间的结果是否不同？一个选项是不选择，然后默认为“自动”，解算器将选择使用哪种方法（基于矩阵大小和组件数量）。其思想是，如果矩阵非常大，并且不需要所有的组件（即，需要数据最小维度的80%），那么进行随机svd更有效，并且这样做不会造成太大的损失。在任何情况下，如果您确实需要所有组件（或超过80%），则“自动”保证将使用完整的svd。随机svd基于以下文件：

from sklearn.decomposition import PCA
X = np.array([[1, 2], [3,5], [8,10], [-1, 1], [5,6]])
pca = PCA(n_components=2)
pca._fit(X)

(array([[ -3.55731195e-01,   5.05615563e-01],
        [  2.88830295e-04,  -3.68261259e-01],
        [  7.10884729e-01,  -2.74708608e-01],
        [ -5.68187889e-01,  -4.43103380e-01],
        [  2.12745524e-01,   5.80457684e-01]]),
 array([ 9.950385  ,  0.76800941]),
 array([[ 0.69988535,  0.71425521],
        [ 0.71425521, -0.69988535]]))