将高斯过程模型拟合到PCA中。预测看上去很错误
将高斯过程模型拟合到PCA中。预测看上去很错误
提问于 2021-06-11 04:58:19
我目前正在尝试将高斯过程模型与我的数据相匹配，并让它预测未来的几天。我已经减少了我的10个功能，减少到只有2个组成部分通过PCA在雪橇。现在我有了PCA1和PCA2。这是通过对训练集进行PCA (40%)来实现的。
pca = PCA(n_components=2)
pca.fit(train_data)
PCAs = pca.transform(train_data)
PCA1 = PCAs[:,0]
PCA2 = PCAs[:,1]其中train_data是具有大约10个特性和50行的数据格式，并应用了StandardScaler()。
kernel = RBF()
model = gaussian_process.GaussianProcessRegressor(kernel=kernel, normalize_y=True, n_restarts_optimizer=10)
model.fit(x_days_train, PCA1)
y_pred, y_std = model.predict(x_days, return_std=True)
model.score(x_days_train, PCA1)其中x_days为满50天，x_days_train为20天(0，1，2.)。我得了1分。然而，我的预测结果看起来很糟糕(如下所示)。就像在训练数据之后，它就会掉下来，然后停滞。
不完全确定出了什么问题，但有几个猜测：
- 因为我的数据没有目标变量，所以我在dataframe中的所有特性上都使用了PCA，它们应该是x变量吗？然后我用它们作为y变量(通过预测)。也许这是个不正确的方法？
- 在此之后，PCA甚至可以用作y_prediction吗？
- 我是否应该将PCA应用于不仅训练数据，而且也应用于测试数据(应用
fit_transform)？ - 我似乎只使用PCA1，而不使用PCA2 (也不是两者的结合)。我应该两者都用吗？如果是这样的话，是怎么做的？
会很感激你的帮助，谢谢。
Stack Overflow用户
发布于 2021-06-23 19:33:09
因为我的数据没有目标变量，所以我在dataframe中的所有特性上都使用了PCA，它们应该是x变量吗？然后我用它们作为y变量(通过预测)。也许这是个不正确的方法？
你是对的。PCA旨在将高维数据转换为小得多的维度。基本上，数据被压缩，但仍然包含与数据中的每个元素相关的相同信息。Sci学习变换函数不接受y变量.相反，使用fit_transform()函数，它接受两个变量，将正确的方法应用于x变量，并忽略y。
在此之后，PCA甚至可以用作y_prediction吗？
PCA仅对数据进行变换，高斯过程回归(GPR)进行预测。
我是否应该将PCA应用于不仅训练数据，而且也应用于测试数据(应用fit_transform)？
是。
我似乎只使用PCA1，而不使用PCA2 (也不是两者的结合)。我应该两者都用吗？如果是这样的话，是怎么做的？
使用fit_transform()方法后，如下所示：
pca_x, pca_y = pca.fit_transform(train_data)应用这样的数据：
kernel = RBF()
model = gaussian_process.GaussianProcessRegressor(kernel=kernel, normalize_y=True, n_restarts_optimizer=10)
model.fit(pca_x, pca_y)页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/67931477
复制相关文章
相似问题
腾讯云开发者
