问题标签 [principal-components]

我正在为我的 PCA 使用不同的形状sklearn。 为什么我的转换没有像文档说的那样产生一个相同维度的数组？

使用 iris 数据集检查这一点，这是(150, 4)我制作 4 台 PC 的地方：

但是当我在我的实际数据集上使用(76, 1989)与 in相同的方法时76 samples，1989 attributes/dimensions我得到一个(76, 76)数组而不是(76, 1989)

normalize只是我制作的一个包装器，它mean从每个维度中减去 。

我对第一个主要方向有点困惑。假设我在二维欧几里得空间中有三个点：(1,1)、(2,2) 和 (3,3)，我想计算第一个主成分。

首先，我看到中心是 (2,2)，所以我将所有点移动到原点。现在 (2,2) 就像 (0,0) 并且 (1,1) 是 (-1,-1) 而 (3,3) 是 (1,1)。这是均值偏移。现在，我知道第一个主成分是 matlab 的 transpose((sqrt(2)/2, sqrt(2)/2)) 。但是，它是如何计算的呢？这是什么意思？

你计算协方差矩阵然后找到特征值然后找到特征向量。这个特征向量是方向？那你正常化？

因此，我们在 (-1,-1)、(0,0) 和 (1,1) 处得到均值偏移后的点。我们现在计算协方差矩阵

c(x,x) c(x,y)

c(y,x) c(y,y)

这是 [0 1; 0 1] 然后我们查看最大的特征值 1 并计算特征向量 [1;1]。然后我们归一化除以 sqrt(1^2 + 1^2)？

我正在做主成分分析，以减少我的回归模型的变量数量，数据集数量少且自变量数量多（大约 40 个自变量）。我正在使用该函数princomp生成主成分，因为我在自变量之间具有相关性。但我不知道如何根据 PCA 的数量使用 princomp 输出。我有兴趣使用主成分的子集预言

你能帮我么？

提前致谢