sklearn 增量 Pca 大数据集

Question

我有一个大小为 42.9 GB 的大型数据集，它们以 numpy 的压缩 npz 格式存储。加载时的数据有

n_samples, n_features = 406762, 26421

我需要对此进行降维，因此需要使用 sklearn 的 PCA 方法。通常，我执行

from sklearn.decomposition import IncrementalPCA, PCA

pca = PCA(n_components=200).fit(x)
x_transformed = pca.transform(x)

由于无法将数据加载到内存中，因此我使用增量 PCA，因为它通过提供 partial_fit 方法具有核外支持。

from sklearn.decomposition import IncrementalPCA, PCA

ipca = IncrementalPCA(n_components=200)

for x in xrange(407):
    partial_x = load("...")
    ipca.partial_fit(partial_x)

现在，一旦模型适合完整的数据，我该如何执行转换？由于 transform 需要整个数据并且没有给出 partial_transform 方法。

编辑：#1

一旦计算了数据的降维表示，这就是我验证重构误差的方式。

from sklearn.metrics import mean_squared_error

reconstructed_matrix = pca_model.inverse_transform(reduced_x)
error_curr = mean_square_error(reconstructed_x, x)

如何计算大型数据集的误差？ 另外，有没有办法可以使用 partial_fit 作为 GridSearch 或 RandomizedSearch 的一部分来找到最好的 n_components？

Answer 1

您可以按照适合模型的方式进行操作。转换函数不必一次应用于整个数据。

x_transform = np.ndarray(shape=(0, 200))
for x in xrange(407):
    partial_x = load("...")
    partial_x_transform = ipca.transform(partial_x)
    x_transform = np.vstack((x_transform, partial_x_transform))

要计算重构的均方误差，可以使用如下代码：

from sklearn.metrics import mean_squared_error

sum = 0
for i in xrange(407):
    # with a custom get_segment function
    partial_x_reduced = get_segment(x_reduced, i)
    reconstructed_matrix = pca_model.inverse_transform(partial_reduced_x)
    residual = mean_square_error(reconstructed_x, get_segment(x, i))
    sum += residual * len(partial_x_reduced)

mse = sum / len(x_reduced)

对于参数调整，您可以将组件数设置为您想要的最大值，转换您的输入，然后在您的网格搜索中，仅使用第一个 k 列，k 作为您的超参数.每次更改 k 时，您不必重新计算整个 PCA。