Scikit learn 带sklearn差异的PCA

我试图在一个非常特定的环境中应用PCA，但遇到了一种我无法解释的行为。 作为一个测试，我使用您可以在这里检索的文件数据运行以下代码：（numpy数组格式）

我的问题如下：因为我没有指定任何数量的组件，所以我应该在这里使用所有计算组件进行重构。因此，我希望我的输出项目与输入测试相同。但一个快速的情节证明情况并非如此：

plt.figure()
plt.plot(test[0]-proj[0])
plt.show()

这里的图将显示投影和输入矩阵之间的一些较大差异

---

有人有什么想法或解释来帮助我理解为什么proj与我的测试不同吗？

我检查了您的测试数据，发现如下：

mean = test.mean() # 1.9545972004854737e+24
std = test.std() # 9.610595443778275e+26

在某种意义上，我将标准偏差解释为代表报告值中的最小计数或不确定性。我的意思是，如果一个数值算法报告的答案是

a

，那么真正的答案应该在区间

[a-std，a+std]

中。这是因为数值算法本质上是不精确的。它们依赖于浮点运算，而浮点运算显然不能表示所有的实数

因此，如果我绘制：

plt.plot((test[0]-proj[0])/std)
plt.show()

我得到了下面的情节，这似乎更合理

---

您可能还对绘制相对误差感兴趣。或者，您可以将数据标准化为0平均值和单位方差，然后PCA结果应该更准确。

感谢您提供的这一非常清晰的解释，它实际上帮助我进一步了解处理有限精度值的复杂性！

plt.plot((test[0]-proj[0])/std)
plt.show()