Python 从SKPCA获取特征值和向量

如何获得PCA应用程序的特征值和特征向量

from sklearn.decomposition import PCA
clf=PCA(0.98,whiten=True)      #converse 98% variance
X_train=clf.fit_transform(X_train)
X_test=clf.transform(X_test)

我在里面找不到它

1.我“无法”理解这里的不同结果

编辑：

def pca_code(data):
    #raw_implementation
    var_per=.98
    data-=np.mean(data, axis=0)
    data/=np.std(data, axis=0)
    cov_mat=np.cov(data, rowvar=False)
    evals, evecs = np.linalg.eigh(cov_mat)
    idx = np.argsort(evals)[::-1]
    evecs = evecs[:,idx]
    evals = evals[idx]
    variance_retained=np.cumsum(evals)/np.sum(evals)
    index=np.argmax(variance_retained>=var_per)
    evecs = evecs[:,:index+1]
    reduced_data=np.dot(evecs.T, data.T).T
    print(evals)
    print("_"*30)
    print(evecs)
    print("_"*30)
    #using scipy package
    clf=PCA(var_per)
    X_train=data.T
    X_train=clf.fit_transform(X_train)
    print(clf.explained_variance_)
    print("_"*30)
    print(clf.components_)
    print("__"*30)

我希望得到所有的特征值和特征向量，而不仅仅是具有收敛条件的约化集

您的实现 您正在计算相关矩阵的特征向量，即归一化变量的协方差矩阵。

data/=np.std（data，axis=0）

不是经典PCA的一部分，我们只将变量居中。 因此，sklearn PCA没有预先缩放数据的功能

除此之外，如果我们抽象出您提供的代码没有运行这一事实，那么您的做法是正确的；）。 您只会对行/列布局感到困惑。老实说，我认为从

X=data.T

开始，然后只使用X更容易。我在帖子末尾添加了你的代码“fixed”

求特征值 您已经注意到，您可以使用

clf.components\uu

获得特征向量

---

所以你有主成分。它们是协方差矩阵的特征向量I使用sklearn PCA函数。返回参数“分量”是特征向量，“解释的方差”是特征值。下面是我的测试代码

from sklearn.decomposition import PCA
import numpy as np


def main():
    data = np.array([[2.5, 2.4], [0.5, 0.7], [2.2, 2.9], [1.9, 2.2], [3.1, 3.0], [2.3, 2.7], [2, 1.6], [1, 1.1], [1.5, 1.6], [1.1, 0.9]])
    print(data)
    pca = PCA()
    pca.fit(data)

    print(pca.components_)
    print(pca.explained_variance_)



if __name__ == "__main__":
    main()

当你说“特征值”时，你是指PCA的“奇异值”吗？特征值仅在矩阵PCA应用于方矩阵时才可能存在

---

如果您试图使用“特征值”来确定PCA所需的适当维度，那么实际上应该使用奇异值。你可以使用pca.singular\u values来获得奇异值。

显然，我错认为

.explained\u variance\u

给出了实际的特征值，所以我删除了我的答案，因为它不准确。如果我有什么发现，我会告诉你的。好问题。@Akavall一个简单的方法是将方差作为

1

传递，然后获取值。但是没有必要再运行它。你能告诉我sklearn中的

PCA

功能以前是否对数据进行了缩放吗？@Akavall我认为你没有弄错。特征值由

给出。解释的\u方差

。在这里，代码使用相关矩阵，因此获得的特征值不同。从pca.get_convariance（）获得的协方差与cov（数据）之间的差异是什么？使用linalg.eigh，您可以将evals与evacs相乘以获得cov（数据），但如果将clf.expended_方差与clf.components_uuu相乘，您会得到什么？根据我的实验，如果n_样本>=n_特征，您只能从

clf.components_uu>中获得特征向量，在这种情况下
clf.components_u
是一个方阵，假设您生成了所有组件。如果n_样本clf.components_

是一个形状矩阵（n_成分，n_特征），其行包含主成分向量。