如何在Python中使用PCA/SVD进行特征选择和识别？
如何在Python中使用PCA/SVD进行特征选择和识别？
提问于 2013-01-07 23:33:07
我跟随Python中的主成分分析在Python下使用PCA，但很难确定要选择哪些特性(即，我的列/特性中哪一列/特性的方差最好)。
当我使用scipy.linalg.svd时，它会自动对我的奇异值进行排序，因此我无法判断它们属于哪一列。
示例代码：
import numpy as np
from scipy.linalg import svd
M = [
[1, 1, 1, 1, 1, 1],
[3, 3, 3, 3, 3, 3],
[2, 2, 2, 2, 2, 2],
[9, 9, 9, 9, 9, 9]
]
M = np.transpose(np.array(M))
U,s,Vt = svd(M, full_matrices=False)
print s在不对奇异值进行排序的情况下，是否有不同的方法来解决这个问题？
更新：--看起来这是不可能的，至少根据Matlab论坛上的这篇文章：螺纹/241607。如果有人不知道，请告诉我:)
回答 1
Stack Overflow用户
回答已采纳
发布于 2013-01-11 20:26:59
我有错误的印象，PCA做了特征选择，而不是它做了特征提取。
相反，PCA创建了一系列新的特征，每个特征都是输入特性的组合。
从PCA中，如果您真的想要进行特征选择，您可以查看PCA创建的特征上的输入特性的权重。例如，matplotlib.mlab.PCA库在属性(更多关于图书馆)中提供权重：
from matplotlib.mlab import PCA
res = PCA(data)
print "weights of input vectors: %s" % res.Wt不过，听起来特征提取路径是使用PCA的方法。
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/14205941
复制相关文章
相似问题
腾讯云开发者
