使用n_components = 'mle‘和svd_solver = 'full’的sklearn PCA会导致数学域错误
使用n_components = 'mle'和svd_solver = 'full'的sklearn PCA会导致数学域错误。
PCA（Principal Component Analysis，主成分分析）是一种常用的降维技术，用于将高维数据转换为低维表示，同时保留数据的主要特征。在sklearn中，n_components参数用于指定降维后的维度，而'svd_solver'参数用于指定奇异值分解（Singular Value Decomposition，SVD）的求解方法。
然而，当n_components设置为'mle'（maximum likelihood estimation，最大似然估计）时，PCA会尝试根据数据的方差解释比例来自动选择合适的降维维度。而'svd_solver'参数设置为'full'表示使用完整的SVD求解方法。
使用n_components = 'mle'和svd_solver = 'full'的组合可能导致数学域错误。这是因为'mle'方法需要计算数据的协方差矩阵，而完整的SVD求解方法可能会导致协方差矩阵的奇异值计算出错。
为了避免数学域错误，建议使用其他合适的参数组合。例如，可以将n_components设置为一个具体的整数值，表示降维后的维度，而svd_solver可以选择其他可行的求解方法，如'auto'、'randomized'等。
腾讯云提供了一系列与PCA相关的产品和服务，例如腾讯云机器学习平台（https://cloud.tencent.com/product/tcmlp）和腾讯云数据分析平台（https://cloud.tencent.com/product/dp）等，这些产品可以帮助用户进行数据分析和降维处理。
相关·内容
我使用来自sklearn.decomposition的主成分分析来减少数据维数。
pca = PCA(n_components=pca_components, whiten=True, svd_solver='full')
y = pca.fit_transform(x)
numpy数组形状为(512，48)，dtype为float64。数组中的最小值为0.0，最大值为1.7976931348623157e+308。数组不包含infs或NaNs，但我得到了一个错误。
ValueError: array must not contain infs or NaNs
浏览 0提问于2019-10-25得票数 0
1回答
我想减少使用PCA，LDA和MDS的数据集的特征。但我也想保持95%的方差。
我找不到一种方法来表示各自算法的公式中所需的方差。有一段似乎与PCA的API (sklearn.decomposition.PCA)相关-
if n_components == ‘mle’, Minka’s MLE is used to guess the dimension if 0 < n_components < 1, select the number of components such that the amount of variance that needs to be explained
浏览 0提问于2014-12-28得票数 0
回答已采纳
下面的代码片段说明了这个问题： from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
import numpy as np
(nrows, ncolumns) = (1912392, 131)
X = np.random.random((nrows, ncolumns))
pca = PCA(n_components=28, random_state=0)
transformed_X1 = pca.fit_transform(X)
pca1 = pca.fit(X)
浏览 35提问于2021-01-21得票数 0
回答已采纳
我想使用PCA对一些数据，以获得最重要的主成分的矩阵，捕捉95%的总方差。我在找一个函数来做这个，但我找不到办法。
我只知道以下几点：
from sklearn.decomposition import PCA
# W_0 is a matrix
pca = PCA().fit(W_0)
# get the index of the component which has variance higher than 0.95
index_component = np.min(np.argwhere(np.cumsum(pca.explained_variance_ratio_)>0.95
浏览 4提问于2019-10-23得票数 0
回答已采纳
1回答
截断SVD与PCA
、、、、
理论上，如果特征的均值为0时，PCA和SVD的投影结果是相同的。所以我在蟒蛇身上试了一下。
from sklearn import datasets
cancer = datasets.load_breast_cancer()
from sklearn.preprocessing import StandardScaler
# we can set our feature to have mean 0 by setting with_mean=False
scaler = StandardScaler(with_mean=False,with_std=False)
scaler.fit(ca
浏览 4提问于2021-10-04得票数 1
回答已采纳
1回答
def doPCA(data, dimensions=2):
from sklearn.decomposition import PCA
model = PCA(n_components=dimensions, svd_solver='randomized', random_state=7)
model.fit(data)
return model
文件"/home/dogus/Downloads/DAT210x-master/Module5/assignment4.py"，第221行，以display_pca = doPCA(T)为单位
文件"/ho
浏览 0提问于2017-02-11得票数 1
回答已采纳
1回答
我想尝试使用here描述来做PCA from sklearn.decomposition import PCA
X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
pca = PCA(n_components=2)
pca.fit(X)
PCA(n_components=2) 是否可以对具有不同维数的数组执行相同的操作，如下所示？ X = np.array([[-1, -1], [-2, -1], [-3, -2, 3], [1, 1], [2, 1], [3, 2, 3]]) 如果我尝试，我得到以下错误：
浏览 17提问于2020-02-03得票数 0
FeatureUnion不能适应。以下代码fit()的最后一行将将错误抛出如下：
from sklearn.pipeline import Pipeline, FeatureUnion
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
from sklearn.feature_selection import SelectKBest
iris = load_iris()
X, y = iris.data, iris.targe
浏览 0提问于2019-08-06得票数 2
回答已采纳
2回答
问题： OutOfMemory错误显示了在800万个特征上应用OutOfMemory错误。
这是我的代码片段：-
from sklearn.decomposition import PCA as sklearnPCA
sklearn_pca = sklearnPCA(n_components=10000)
pca_tfidf_sklearn = sklearn_pca.fit(traindata_tfidf.toarray())
我想将PCA /降维技术应用于文本提取的特征(使用tf)。目前，我有大约800万这样的功能，我想减少这些功能，并对我使用的MultiNomialNB文档进行分类。
由
浏览 4提问于2016-01-14得票数 4
回答已采纳
我首先将PCA应用于我的数据集，作为一种降维方法。然后对PCA数据集进行K均值聚类。
作为我项目的最后一步，我需要预测新数据的集群。
但是，当我尝试对新数据进行PCA转换时，发生了以下错误：
ValueError: n_components=2 must be between 0 and min(n_samples, n_features)=1 with svd_solver='full'
我知道我们需要更多的记录来对新数据执行PCA。但是，就我的项目目标而言，我一次只得到一张唱片。
这种分析的正确过程是什么，除了这个或之外，的解决方案是什么？
谢谢
浏览 17提问于2022-07-19得票数 -2
import numpy as np
import matplotlib.pyplot as plt
import time
from sklearn.decomposition import PCA
t = np.random.randint(0, 50, (10, 10))
X = tpca = PCA(n_components=2)
X3d = pca.fit_transform(X)
X3d= np.round(X3d, 2)
print (X3d)
如何将从距离矩阵中找到的坐标变为正坐标？
浏览 2提问于2020-08-05得票数 0
回答已采纳
在sklearn中使用PCA时，很容易提取出组件：
from sklearn import decomposition
pca = decomposition.PCA(n_components=n_components)
pca_data = pca.fit(input_data)
pca_components = pca.components_
但我无论如何也想不出如何从LDA中取出组件，因为没有components_属性。sklearn lda中有没有类似的属性？
浏览 0提问于2012-12-20得票数 20
1回答
我现在正在为学校做作业，我有点卡住了。
任务如下：
用ax.plot绘制累积解释的方差，并查找可以占方差>90%的组件数；将其分配给n_components.
为此，向我提供了以下代码：
import numpy as np
cum_exp_variance = np.cumsum(exp_variance)
print(cum_exp_variance)
fig, ax = plt.subplots()
ax.plot(cum_exp_variance)
ax.axhline(y=0.9, linestyle='--')
n_components = PCA(n_
浏览 0提问于2018-10-26得票数 5
我想从SVC中找到最佳参数，使用嵌套的CV方法：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets import load_breast_cancer
cancer = load_breast_cancer()
X, y = load_breast_cancer(return_X_y=True)
from sklearn.model_selection import train_test_split
X_train,
浏览 1提问于2018-09-30得票数 6
回答已采纳
我对标题中提到的问题感到困惑。n_components=None是否意味着输入中没有进行转换，或者它已经被转换成新的空间，而不是通常的“约简”(保持少数几个分量具有高特征值)而保持所有新的合成特征？为我推荐前者：
因此，None的结果是：n_components == min(n_samples, n_features) - 1
但是这还不完全清楚，另外，如果它确实意味着保留所有的组件，为什么这些组件的数量究竟等于n_components == min(n_samples, n_features) - 1，为什么不等于n_features？
然而，我发现了另一种选择(如果没有，放弃整个
浏览 1提问于2020-08-03得票数 0
1回答
如何学习PCA在数据上的工作？
、、、、
我有以下数据：
A B C D
0 4 1 1 78
1 82 2 58 41
2 53 3 31 76
3 1 45 4 12
5 5 2 4 87
6 1 74 6 11
7 1 1 6 47
8 1 1 6 8
我正试图申请：
sklearn.decom
浏览 1提问于2017-04-24得票数 1
嗨，我正在尝试实现PCA()，但是我收到了一个错误，‘
TypeError: PCA()得到了一个意外的关键字参数'n_components‘。
from sklearn.decomposition import PCA
#Principal component analysis
def PCA(X,Y):
pca = PCA(n_components=2)
X = pca.fit_transform(X)
plot_2d_space(X, Y, 'Imbalanced dataset (2 PCA components)')
有人能告
浏览 0提问于2019-02-18得票数 2
回答已采纳
在应用K-均值聚类之前，我尝试使用PCA来减少数据的维数.
在下面的数据集中，我有得分、助攻和篮板栏。根据这幅图，前三个主成分包含最大的方差%。
是否有一种方法来区分前三个组件中的每个组件对应什么？例如，如果它对应于2021年左右的“点”列。或者，用什么正确的方式来解释这个情节？
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
from
浏览 9提问于2022-11-02得票数 1
回答已采纳
1回答
我想在一个模型中解释回归模型的权重，其中输入的数据已经用PCA进行了预处理。在现实中，我有100多个输入维，它们高度相关，所以我知道PCA是有用的。不过，为了说明起见，我将使用虹膜数据集。
下面的学习代码说明了我的问题：
import numpy as np
import sklearn.datasets, sklearn.decomposition
from sklearn.linear_model import LinearRegression
# load data
X = sklearn.datasets.load_iris().data
w = np.array([0.3, 10,
浏览 0提问于2019-03-13得票数 1
如何在PCA之后从Python中的第一个分量重建图像？
我的尝试是：
from sklearn.datasets import load_sample_image
from sklearn.feature_extraction import image
from sklearn.decomposition import PCA
# Create patches of size 25 by 25 and create a matrix from all patches
patches = image.extract_patches_2d(grayscale_image, (25, 25), ra
浏览 10提问于2019-10-26得票数 1
回答已采纳
1回答
我正在使用standard scaler、PCA和Random Forest对一些数据进行分类。我想使用pipeline方法，但是，我不知道如何让pipeline知道我想要n_components = 95%的解释方差。如何在pipeline环境中设置计算此数字的代码。
以下是代码：
from sklearn.pipeline import Pipeline
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import Ran
浏览 3提问于2022-07-02得票数 0
from sklearn import datasets
from sklearn.decomposition import PCA
from sklearn.decomposition import TruncatedSVD
digits = datasets.load_digits()
X = digits.data
X = X - X.mean() # centering the data
#### svd
svd = TruncatedSVD(n_components=5)
svd.fit(X)
print(svd.explained_variance_ration)
####
浏览 6提问于2021-08-11得票数 1
回答已采纳
我正在使用PCA在sklearn中创建一个管道，并使用“pass身”跳过这个步骤。对于PCA，我正在测试n_components参数的几个值。
from sklearn.datasets import make_regression
from sklearn.decomposition import PCA
from sklearn.linear_model import LinearRegression
from sklearn.pipeline import Pipeline
from sklearn.model_selection import GridSearchCV
X_train
浏览 0提问于2021-07-01得票数 2
1回答
我正在尝试根据那篇文章来识别噪音的类型：
我在64位win8上使用了scikit learn-0.14.1.win32-py2.7，我知道它指的是0.15版本，但是在0.14版本的文档中，它提到评分方法可用于PCA，所以我猜它应该是正常工作的：
问题是，无论我将哪个主成分分析用于*cross_val_score*，我总是收到一条类型错误消息，指出估计器主成分分析没有得分方法：
*TypeError:如果未指定评分，则传递的估计器应具有'score‘方法。估计主成分分析(copy=True，n_components=None，whiten=False)不会。*
你知道为什么会这样吗？
浏览 0提问于2013-11-12得票数 2
我刚刚将numpy和scikit-learn的版本升级到了最新版本，即numpy-1.16.3和sklearn-0.21.0 (适用于Python 3.7)。很多东西都崩溃了，例如，一个简单的数字矩阵上的PCA将不再起作用。例如，考虑这个玩具矩阵： Xt
Out[3561]:
matrix([[-0.98200559, 0.80514289, 0.02461868, -1.74564111],
[ 2.3069239 , 1.79912014, 1.47062378, 2.52407335],
[-0.70465054, -1.95163302,
浏览 35提问于2019-05-13得票数 1
回答已采纳
2回答
PCA在一个样本中的应用
、、、、
我目前正在与机器学习的图像识别项目工作。
这套列车有1600个图像，大小为300x300，因此每幅图像有90000个特征。
为了加快训练速度，我将PCA与n_components = 50相结合
测试集有450幅图像，我可以在这个测试集中成功地测试模型。
现在，我想预测一个图像是由网络摄像头拍摄的。问题是，我是否应该将PCA应用于该图像？
如果我不应用PCA，我就会得到ValueError: X.shape[1] = 90000 should be equal to 50, the number of features at training time
如果我应用主
浏览 0提问于2019-05-01得票数 3
回答已采纳
考虑将PCA和回归链接在一起的任务，其中PCA执行维数约简和回归进行预测。
摘自sklearn文档的示例：
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model, decomposition, datasets
from sklearn.pipeline import Pipeline
from sklearn.model_selection import GridSearchCV
logistic = linear_model.LogisticRegression()
pc
浏览 0提问于2018-11-30得票数 2
回答已采纳
我想在矩阵上运行主成分分析，但只得到了一个numpy.linalg.linalg.LinAlgError。我附上了矩阵和我的代码。
在这里获取矩阵：
import numpy as np
from sklearn.decomposition import PCA
matrix = np.load("matrix.npy")
transformed = PCA(n_components=3).fit_transform(matrix)
下面是完整的堆栈跟踪，但我认为您可以重现它。
Traceback (most recent call last):
File "<
浏览 2提问于2015-07-08得票数 0
1回答
我有一个大小为42.9GB的大数据集，存储为numpy的压缩npz格式。加载时的数据有
n_samples，n_features = 406762,26421
我需要对此进行降维，因此使用sklearn的PCA方法。通常，我会表演
from sklearn.decomposition import IncrementalPCA, PCA
pca = PCA(n_components=200).fit(x)
x_transformed = pca.transform(x)
由于数据不能加载到内存中，所以我使用增量PCA，因为它通过提供partial_fit方法提供了核心外支持。
fro
浏览 0提问于2018-04-02得票数 4
回答已采纳
1回答
我正在使用包含在PCA()中的sklearn实现，该实现具有200个特性。这个dataframe是用以下代码创建的：
df = data.pivot_table(index='customer', columns='purchase', values='amount', aggfunc=sum)
df = df.reset_index().rename_axis(None, axis=1)
df = df.fillna(value=0)
然后，我实现了PCA()
import pandas as pd
import numpy as np
fro
浏览 2提问于2017-08-08得票数 0
回答已采纳
安装SparsePCA后 from sklearn.decomposition import PCA
from sklearn.decomposition import TruncatedSVD
from scipy.sparse import random as sparse_random
from sklearn.decomposition import SparsePCA
from sklearn.random_projection import sparse_random_matrix
pca_a = SparsePCA(n_components=2, random_state=
浏览 16提问于2020-06-12得票数 0
回答已采纳
1回答
PCA在线性回归中的应用
、、、
在应用线性回归之前，我想使用主成分分析来减少一些噪声。
我有1000个样本和200个特性
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.decomposition import PCA
X = np.random.rand(1000,200)
y = np.random.rand(1000,1)
有了这些数据，我可以训练我的模型：
model.fit(X,y)
但如果我在应用PCA后尝试相同的方法
pca = PCA(n_components=8)
pca.fit(X)
PC
浏览 0提问于2017-01-26得票数 3
回答已采纳
2回答
我正在尝试对一些数据执行PCA。据我所知，相关矩阵应该沿着主对角线有1的条目。这不是我在sklearn PCA中看到的.get_covariance()。我想知道为什么会这样？
出于我自己的目的，我可以对矩阵进行缩放，以获得具有1对角线条目的矩阵，但我只是想知道，既然我已经标准化了我的数据，为什么对角线条目仍然不是1？
In [1]: import pandas as pd
In [2]: import numpy as np
浏览 61提问于2017-03-03得票数 3
回答已采纳
1回答
这是可行的(主要来自sklearn的演示示例)：
print(__doc__)
# Code source: Gaël Varoquaux
# Modified for documentation by Jaques Grobler
# License: BSD 3 clause
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model, decomposition, datasets
from sklearn.pipeline import Pipeline
from sk
浏览 0提问于2018-07-19得票数 1
回答已采纳
1回答
我正在做主成分分析(PCA)，我想找出哪些特性对结果的贡献最大。
我的直觉是总结所有的绝对值的个人贡献的特点，对个别的组成部分。
import numpy as np
from sklearn.decomposition import PCA
X = np.array([[-1, -1, 4, 1], [-2, -1, 4, 2], [-3, -2, 4, 3], [1, 1, 4, 4], [2, 1, 4, 5], [3, 2, 4, 6]])
pca = PCA(n_components=0.95, whiten=True, svd_solver='full').fit
浏览 1提问于2021-04-21得票数 7
回答已采纳
2回答
从我正在使用PCA和kmeans的数据集中，我想知道每个集群中的中心对象是什么。
从我最初的数据集中将这些对象描述为虹膜的最佳方法是什么？
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
from sklearn.decomposition import PCA
pca = PCA(n_components=2, whiten=True).fit(X)
X_pca = pca.transform(X)
from sklearn.cluster import KMea
浏览 4提问于2015-11-24得票数 0
回答已采纳
1回答
我正在尝试使用Sklearn和下面的代码来将我的5000 D数据减少到32 D
from sklearn.decomposition import PCA
import numpy as np
arr = np.random.randint(1,10,(10,5000)).astype(float)
pca = PCA(n_components=32)
newData = pca.fit_transform(arr)
print newData.shape
通过上面的代码，我得到了形状的newData (10,10) (10维的10个样本).我对PCA的理解是，它应该会导致形状(10,32
浏览 2提问于2016-01-29得票数 1
回答已采纳
1回答
我在JPMML (scala)中使用具有许多输入字段的PMML模型时遇到了问题。下面是一个最小的例子:加载一张300x150像素的图片，并将其作为PCA (Python)的输入： img = PIL.Image.open(filename)
img = img.resize(STANDARD_SIZE) # 300x150
img = np.array([int(np.mean(a)) for a in img])
pca = PCA(svd_solver=pca_method,n_components = components)
train = pca.fit_transform(t
浏览 24提问于2019-03-02得票数 0
回答已采纳
我一直在使用scikit-learn中的普通PCA，并获得每个主成分的方差比，没有任何问题。
pca = sklearn.decomposition.PCA(n_components=3)
pca_transform = pca.fit_transform(feature_vec)
var_values = pca.explained_variance_ratio_
我想使用内核PCA探索不同的内核，也想要解释的方差比，但我现在发现它没有这个属性。有人知道如何获取这些值吗？
kpca = sklearn.decomposition.KernelPCA(kernel=kernel, n_comp
浏览 3提问于2015-04-14得票数 24
您能帮助我在使用sklearn.decomposition.PCA模块时对数据的特征值进行排序(从高到低)吗？
all_samples=some data array
sklearn_pca = sklearnPCA(n_components=2)
sklearn_transf = sklearn_pca.fit_transform(all_samples.T)
print sklearn_transf给出了变换后的特征向量，但没有给出特征值。
浏览 0提问于2016-04-08得票数 1
我使用python和大约4000张手表图像(例如：、)。图像为rgb，分辨率为450x450。我的目标是找到其中最相似的手表。因此，我使用和 of scikit_learn来使用我的26 of内存处理这些大数据(参见：，)。我的源代码如下：
import cv2
import numpy as np
import os
from glob import glob
from sklearn.decomposition import IncrementalPCA
from sklearn import neighbors
from sklearn import preprocessing
da
浏览 0提问于2018-02-22得票数 1
回答已采纳
我有一个很大的训练数据集。我的训练数据集包含1050个手势，每个手势包含12000个数据点。向机器学习模型提供如此多的数据点将导致性能非常慢和精度很低。因此，我使用PCA从高维空间中删除不相关的特征，并将最重要的特征投影到低维子空间中，从而提高了分类精度并减少了计算时间。使用PCA，我们将每个手势的12,000个数据点减少到15台PC，而不影响从数据中提取的信息。
在将来，我想把我的机器学习模型存储到一个Arduino上。Arduino是一个小芯片，大约有256 is的存储空间。我使用的训练数据集的存储容量为225 My，因此无法满足PCA的要求。
是否有一种方法可以执行PCA并将PCA安装到
浏览 6提问于2021-12-06得票数 0
1回答
我正在处理以下数据集：
单击数据文件夹链接即可找到数据。有两个数据集，一个训练集和一个测试集。我使用的文件包含来自这两个集合的组合数据。
我正在尝试应用线性判别分析(LDA)来获得两个组件，但是当我的代码运行时，它只产生一个组件。如果我设置"n_components = 3“，我也只能得到一个组件。
我刚刚完成了PCA测试，它对我提供的任何数字"n“都很有效，这样"n”小于或等于转换时X数组中存在的特征数量。
我不知道为什么LDA的行为看起来如此奇怪。下面是我的代码：
#Load libraries
import pandas
import matplotlib.py
浏览 1提问于2017-07-16得票数 0
回答已采纳
1回答
我正在尝试对贷款数据集运行主成分分析-在这里找到和。
代码片段如下所示：
from sklearn.decomposition import PCA
pca = PCA(n_components = 2)
X_train = pca.fit_transform(X_train)
X_test = pca.transform(X_test)
explained_variance = pca.explained_variance_ratio_
但是，在运行相同的程序时，我得到以下错误：
--------------------------------------------------------
浏览 20提问于2019-10-21得票数 0
回答已采纳
我使用以下代码()连接多个特征提取方法。
from sklearn.pipeline import Pipeline, FeatureUnion
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
from sklearn.feature_selection import SelectKBest
iris = load_iris()
X,
浏览 0提问于2019-04-14得票数 3
回答已采纳
1回答
我有一个MNIST手写数字数据集的子集。在绘制结果时，我尝试使用PCA、内核pca、lle和tsne来减少维数。但作为初学者，我不知道如何从图中解释。请引导我。
pca = PCA(n_components=3)
X_pca = pca.fit_transform(X_train)
X_pca_r = pca.inverse_transform(X_pca)
import plotly.express as px
fig = px.scatter_3d(X_pca, x=X_pca[:,0], y=X_pca[:,1], z=X_pca[:,2], color=y_train)
fig.sh
浏览 9提问于2022-05-22得票数 -1
我使用sklearn实现了朴素贝叶斯的PCA，并使用GridSearchCV优化了PCA的组件数量。
我试图找出最佳估值器的特征名，但我无法做到。这是我试过的密码。
from sklearn.cross_validation import train_test_split
features_train, features_test, labels_train, labels_test = \
train_test_split(features, labels, test_size=0.3, random_state=42)
### A Naive Bayes classifier combi
浏览 3提问于2016-04-24得票数 2
回答已采纳
我已经编写了从CSV文件中读取特定数据的代码，使用sklearn库对数据执行PCA分析，然后将结果数据绘制为热图。代码在运行时不会显示任何错误，但它也不会输出任何图形，而只是输出一行AxesSubplot(0.125,0.11;0.62x0.77)。
我想知道如果Visual Studio不能显示这样的绘图，如果是这样的话，对于我来说，什么是更好的IDE来用于这个项目。如果没有，任何人都能看到阻止这段代码显示热图的问题吗？复制下面的相关代码
import os
import matplotlib as mpl
if os.environ.get('DISPLAY
浏览 8提问于2018-08-15得票数 0
我正在用sklearn.decomposition.PCA进行主成分分析，我发现如果输入矩阵X很大，两个不同的PCA.transform实例的结果就不一样了。例如，当X是一个100x200矩阵时，就没有问题了。当X是1000x200或100x2000矩阵时，两个不同的PCA实例的结果将不同。我不知道这是什么原因:我想在sklearn的PCA求解器中没有随机元素？我使用的是滑雪版0.18.1。使用python 2.7
下面的脚本说明了这个问题。
import numpy as np
import sklearn.linear_model as sklin
from sklearn.decomp
浏览 1提问于2018-01-05得票数 1
回答已采纳
我是一个新的sklearn Pipeline，并遵循了一个示例代码。我在其他例子中看到我们可以做pipeline.fit_transform(train_X)，所以我在pipeline.fit_transform(X)的管道上尝试了同样的事情，但它给了我一个错误
“返回self.fit(X，**fit_params).transform(X)
TypeError: fit()恰好接受3个参数(给定2个)“
如果我删除svm部分并将管道定义为pipeline = Pipeline([("features", combined_features)])，我仍然看到错误。
有人知道为什
浏览 0提问于2016-06-28得票数 0
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
实时音视频
即时通信 IM活动推荐
腾讯云开发者
