Декомпозиция PCA с помощью Python: актуальность функций

Я слежу за следующей темой: Как я могу использовать PCA / SVD в Python для выбора и идентификации функций? Теперь мы разложим наш набор данных в Python с помощью метода PCA и используем для этого sklearn.decomposition.PCA С использованием атрибутов components_ мы получаем все компоненты. Теперь у нас очень похожая цель: взять только первые несколько компонентов (эта часть не является проблемой) и посмотреть, какие пропорции входных функций имеет каждый компонент PCA (чтобы знать, какие функции для нас очень важны). Как это сделать? Другой вопрос, есть ли у python lybrary другие реализации анализа главных компонентов?


python scikit-learn pca
person Guforu    schedule 12.03.2014    source источник

Ответы (1)


arrow_upward
7
arrow_downward

какие пропорции входных функций имеет каждый компонент PCA (чтобы знать, какие функции для нас очень важны). Как это сделать?

Массив components_ имеет форму (n_components, n_features), поэтому components_[i, j] уже дает вам (подписанные) веса вклада функции j в компонент i.

Если вы хотите получить индексы трех основных функций, вносящих вклад в компонент i, независимо от знака, вы можете сделать:

numpy.abs(pca.component_[i]).argsort()[::-1][:3]

Примечание: обозначение [::-1] позволяет изменить порядок массива:

>>> import numpy as np
>>> np.array([1, 2, 3])[::-1]
array([3, 2, 1])

Другой вопрос: есть ли в библиотеке Python другие реализации анализа основных компонентов?

PCA - это просто усеченная декомпозиция по сингулярным значениям центрированного набора данных. Вы можете использовать numpy.linalg.svd напрямую, если хотите. Взгляните на исходный код реализации scikit-learn PCA для подробностей.

person ogrisel    schedule 12.03.2014
comment
Большое спасибо, вы мне очень помогаете. - person Guforu; 12.03.2014