1回答
我使用sklearn.decomposition中的PCA类来降低特征空间的维数，以便绘制该特征空间。我想知道:在应用PCA类的fit和transform方法后，我得到了一个形状为(n_samples, n_components)的数组X_transformed，如documentation中所述。X_transformed的列的顺序是否按解释的差异量排序？文档中说PCA.components_是按解释的方差排序<e
浏览 11提问于2021-09-10得票数 0
我想知道是来自sklearn.decomposition.PCA的transform()还是来自C++ opencv的project()重新排列了原始数据的结果。print(t) sample.csv： x,y0.5,0.71.9,2.22.3,2.71,1.11.1,0.9 转换后的数据OpenCV主成分分析类的project()输出相同。但是Op
浏览 40提问于2019-01-12得票数 0
回答已采纳
1回答
我想通过学习PCA将图像的维数从(480,640,3)降到(1,512)。因此，我将图像重塑为(1,921600)。然后，我执行pca来降低维数。img.shape>>> pca = PCA(n_components=512)(1, 1)
有人能告诉我如何缩小单个图像的维数吗
浏览 9提问于2017-08-31得票数 0
回答已采纳
2回答
我最近读了PCA (主成分分析)，明白了如何降维。当我们只需要一个维度时，我们选择一个对应于最大特征值的特征向量，但如果需要多个维度，那么我是否应该将特征向量腐蚀到最大特征值？
浏览 2提问于2017-02-01得票数 0
1回答
我有4个标准的正常特征，我执行PCA。然后，我使用第一个主成分(与所有组件一起)。是否有可能先发制人地说，转换后的级数的最大值和最小值是多少？我想，如果我们假设原始的标准法线特征永远不会超过+/- 5，那么最终变换级数的最大值将是PCA系数之和为5？但是，在这种情况下，主成分分析系数是否可能是1，1，1，1？
浏览 0提问于2019-01-28得票数 2
我有一个关于主成分分析的一般性问题:我知道PCS给了我们一个方向，数据在这个方向上变化最大。我想知道PCS能给我们一个从最重要的到最不重要的功能的顺序吗？例如，如果我有8个特征f1，...，f8，它告诉我f5是最重要的，然后是f3，然后是f8，然后是f4，最后是...如果是，我应该在R中调用什么函数？
浏览 20提问于2019-06-09得票数 0
我使用主成分分析将一个Nx3数组简化为一个Nx2数组。这主要是因为主成分分析变换(Nx2矩阵)对于在原始Nx3阵列上执行的旋转或平移是不变的。让我们以下面的例子为例。(~1%)并执行主成分分析。变换与原始数组的PCA变换非常相似，但百分比变化很大。我知道我可以通过在第二种情况下只执行变换操作(例如pca.transform(a_
浏览 41提问于2021-04-22得票数 2
回答已采纳
1回答
如何使用小波变换融合两幅图像。有几种方法可用，如主成分分析，高通滤波，IHS等。我想知道如何使用小波变换进行融合。我知道背后的理论，并想知道如何在Python中实现它。这是一个基于小波变换的图像融合链接
浏览 42提问于2017-03-05得票数 0
我试图对一些波动性数据进行PCA分析，我们可以这样说，我可以提出如下模型：其中x是一些观察，例如，金钱等等。所以在Matlab中，我做的是Y=[ones x x^2]，然后做pca(Y)，出于某种原因，我的系数矩阵中的第一行总是类似于0 0 1，也就是说，除了最后一列之外，其他地方都是0，而且atent的输出总是显示第一行的最高值显然，这不可能是这样的情况，在每个模型中的</e
浏览 3提问于2013-03-24得票数 0
1回答
在对MNIST数据应用PCA后，我确定了CNN模型和层。在拟合CNN模型(X_train_PCA，Y_train)后，我在评估阶段结束了维数问题。这里是消息"ValueError: Error when checking input:期望conv2d_1_input具有形状(1，10，10)，但得到形状为(1，28，28)的数组“。当我尝试将X_test重塑为10X10格式时，我得到了非常低的分数 首先，我应用了最小-最大正则化，然后将主成分分析应用于X_tr
浏览 92提问于2019-01-05得票数 0
回答已采纳
我是通过查看kaggle上其他人的内核来学习机器学习的，特别是这个。本文首先将主成分分析应用于指标矩阵的变换。后来，他只使用了两个主成分进行可视化。然后，我检查了它保持了多少方差，并发现只有16%的方差被保持。in [18]: pca.explained_variance_ratio_.cumsum()但是，90%的
浏览 0提问于2019-01-05得票数 1
回答已采纳
0.2083779 -0.97383478D^2/sum(D^2)是每个PC对总变化的贡献如何计算一个变量对2台或更多台PC的总贡献？例如，变量b对PC1 + PC2 + PC3的贡献是多少？谢谢你，阿明
浏览 10提问于2016-09-12得票数 1
2回答
另一个初学者的问题:我正在尝试对组合数据进行PCA。换句话说，组中的所有变量加起来都是100%。
从那以后，我在这个论坛上了解到，组合数据会给线性回归带来问题。当进行PCA时，组合数据也会带来一个独特的问题吗？
浏览 0提问于2016-06-04得票数 0
据我所知，主成分分析是一种降维技术，即给定10个输入特征，它将产生较少的独立特征，即原始特征的正交和线性变换。
PCA本身是一种学习算法，还是一个数据预处理步骤.
浏览 0提问于2018-01-16得票数 12
回答已采纳
1回答
主成分主成分在主成分分析中的意义
、、、、
我需要帮助，主要成分是否有任何实际影响。例如，如果在三台PC中，PC1解释了这个数据集中几乎100%的差异，这在实际中意味着什么？或者它对数据集有什么说明？
任何帮助都是非常感谢的。谢谢!
浏览 0提问于2019-06-27得票数 0
回答已采纳
2回答
在主成分分析降维后，我想将K均值应用于聚类。在主成分分析之前，我已经用StandardScaler标准化了数据，然后我想训练Kmeans来找到簇。然而，PCA组分之间的差异不可能是相同的数量级。聚类前对PCA组件进行标准化是一个很好的实践吗？
浏览 0提问于2019-06-13得票数 2
回答已采纳
1回答
我是R中的主成分分析的新手，我的问题很幼稚。我已经使用R中的函数'prcomp‘对矩阵( A )进行了主成分分析。现在我想在A的PC1和PC2的主成分分析空间上绘制一个向量，我如何绘制这个向量？
浏览 16提问于2016-09-19得票数 2
回答已采纳
我的数据是478x4200矩阵。我正在考虑将4200个元素作为组件，我希望减少我需要处理的组件的数量。我使用了prcomp()，它总是返回478个主组件，即使我转换了矩阵。我想我应该得到4200个主成分。我可以通过计算我需要的所有矩阵来手动完成，但是我想用这个函数来检查。
浏览 3提问于2015-09-03得票数 1
回答已采纳
1回答
我有一个包含17列(每列对应一个基因)和34行(每行对应一个患者)的数据帧。数据帧的名称是，比如说，testdb。我知道biplot(res)会在输出图上打印一些基因，但这显然不是获取基因名称的正确方式。
浏览 3提问于2013-02-06得票数 2
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
