[英]PCA analysis considering N-less relevant components
我正在嘗試使用scikit庫(尤其是sklearn.decomposition和sklearn.preprocessing)學習Python中PCA分析的基礎。 目標是將圖像中的數據導入矩陣X(每行是一個樣本,每列是一個要素),然后標准化X,使用PCA提取主要成分(2個最重要,6個最重要.... 6少重要),將X投影在這些主要成分上,逆轉先前的轉換並繪制結果以查看相對於原始圖像的差異。
現在讓我們說我不想考慮2,3,4 ...最重要的主成分,但是我想考慮N個不那么相關的成分,比如說N = 6。
應該如何進行分析? 我的意思是我不能簡單地進行標准化,然后調用PCA()。fit_transform,然后使用inverse_transform()還原以繪制結果。
目前,我正在執行以下操作:
X_std = StandardScaler().fit_transform(X) # standardize original data
pca = PCA()
model = pca.fit(X_std) # create model with all components
Xprime = model.components_[range(dim-6, dim, 1),:] # get last 6 PC
然后我停下來,因為我知道應該調用transform(),但是我不知道該怎么做...我嘗試了幾次卻沒有成功。
是否有人可以告訴我以前的步驟是否正確並指出要遵循的方向?
非常感謝你
編輯:目前,我已經對我的問題的第一個答案建議了此解決方案:
model = PCA().fit(X_std)
model2pc = model
model2pc.components_[range(2, img_count, 1), :] = 0
Xp_2pc = model2pc.transform(X_std)
Xr_2pc = model2pc.inverse_transform(Xp_2pc)
然后我對6pc,60pc,最后6pc進行相同操作。 我注意到的是,這非常耗時。 我想得到一個直接提取我需要的主要成分的模型(不將其他成分清零),然后對該模型執行transform()和inverse_transform()。
如果要忽略除最后6個主成分以外的所有成分,則可以將不想保留的成分歸零。
N = 6
X_std = StandardScaler().fit_transform(X)
pca = PCA()
model = pca.fit(X_std) # create model with all components
model.components_[:-N] = 0
然后,要從數據中除去最后N
分量,只需對數據進行正向和逆向轉換:
Xprime = model.inverse_transform(model.transform(X_std))
這是一個例子:
>>> X = np.random.rand(18).reshape(6, 3)
>>> model = PCA().fit(X)
往返轉換應返回原始數據:
>>> X
array([[0.16594796, 0.02366958, 0.8403745 ],
[0.25219425, 0.22879029, 0.07950927],
[0.69636084, 0.4410933 , 0.97431828],
[0.50121079, 0.44835563, 0.95236146],
[0.6793044 , 0.53847562, 0.27882302],
[0.32886931, 0.0643043 , 0.10597973]])
>>> model.inverse_transform(model.transform(X))
array([[0.16594796, 0.02366958, 0.8403745 ],
[0.25219425, 0.22879029, 0.07950927],
[0.69636084, 0.4410933 , 0.97431828],
[0.50121079, 0.44835563, 0.95236146],
[0.6793044 , 0.53847562, 0.27882302],
[0.32886931, 0.0643043 , 0.10597973]])
現在將第一個主成分歸零:
>>> model.components_
array([[ 0.22969899, 0.21209762, 0.94986998],
[-0.67830467, -0.66500728, 0.31251894],
[ 0.69795497, -0.71608653, -0.0088847 ]])
>>> model.components_[:-2] = 0
>>> model.components_
array([[ 0. , 0. , 0. ],
[-0.67830467, -0.66500728, 0.31251894],
[ 0.69795497, -0.71608653, -0.0088847 ]])
現在,由於我們刪除了第一個主成分(包含最大的方差),因此往返轉換產生了不同的結果:
>>> model.inverse_transform(model.transform(X))
array([[ 0.12742811, -0.01189858, 0.68108405],
[ 0.36513945, 0.33308073, 0.54656949],
[ 0.58029482, 0.33392119, 0.49435263],
[ 0.39987803, 0.35478779, 0.53332196],
[ 0.71114004, 0.56787176, 0.41047233],
[ 0.44000711, 0.16692583, 0.56556581]])
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.