使用PCA计算原始数据集和转换后的数据集之间丢失的数据

Question

我在Python中使用sklearn进行主成分分析。

我的目的之一是生成4个组件模型，另一个生成8个组件模型，并使用inverse_transform将它们与原始数据进行比较。

代码是这样的：

pca4 = PCA(n_components=4)
pca4.fit(parkinsonData)
scores4=pca.transform(parkinsonData)
reconstruct4=pca.inverse_transform(scores4)

为了计算原始数据与重构之间的差异，我做了以下操作：

differenceMatrix=parkinsonData-reconstruct4

现在，我有了区别，但是我想计算相对于原始数据集丢失的数据。 为此，我想计算原始数据集的每个元素与重构的元素集之间的乘以2的差的平均值。

在上一条语句中，我计算了原始数据集的每个元素与重构后的元素之间的差，但现在我必须计算功效。 我不知道该怎么做，因为当我使用：

power=differenceMatrix**

我收到一个错误：这个矩阵不是正方形。

为了解决这个问题，我用

np.power(differenceMatrix,differenceMatrix)

它可以工作，但是有些元素是NAN。 我强调这是由于缺少正方形。

有谁知道如何解决这个问题，并使用PCA计算原始数据集和转换后的数据集之间丢失的数据？

谢谢。

Answer 1

要对矩阵的每个元素求平方（我想这就是“ 2乘以幂”的意思），请使用：

np.square(differenceMatrix)

这可以逐个元素地工作，并且不会限制您使用正方形矩阵。 矩阵中的NaN在输出中作为NaN返回。