Scikit learn 为什么在进行PCA时，scikit学习使用svd来获取特征值，而传统方法是使用eig？

当我使用scikit learn进行PCA时，我发现它使用svd获得

特征值

和

特征向量

，然后使用

svd_flip

获得真实的特征向量

这是我的代码，可以得到

特征值

和

特征向量

pca = PCA(data.shape[1])
newData = pca.fit_transform(data)
eigenvalue, eigenvector = np.linalg.eig(np.cov(data.transpose()))
explained_variance_ratio_sum_ = np.cumsum(pca.explained_variance_ratio_)

index = eigenvalue.argsort()[::-1]
eigenvalue = eigenvalue[index]
eigenvector = eigenvector[:, index]

为什么sklearn使用svd？有什么优点或缺点吗？我不太熟悉

svd\u flip

函数，你能告诉我它的用法吗

---

非常感谢。

scikit learn使用的基于SVD的方法不必在内存中具体化经验协方差矩阵，因此内存效率更高

---

从计算时间的角度来看，它应该非常相似，尽管我没有检查。

这可能不是讨论算法的合适地方。请看一看