为什么在做 PCA 时，scikit-learn 使用 svd 获取特征值，而传统方法是使用 eig？答案

【问题标题】：Why in doing PCA, scikit-learn use svd to get eigenvalue while the traditional method is to use eig?为什么在做 PCA 时，scikit-learn 使用 svd 获取特征值，而传统方法是使用 eig？
【发布时间】：2017-07-06 13:47:35
【问题描述】：

当我用 scikit-learn 做 PCA 时，我发现它使用 svd 得到eigenvalue 和eigenvector，然后使用svd_flip 得到真正的特征向量。

这是我获取eigenvalue 和eigenvector 的代码。

pca = PCA(data.shape[1])
newData = pca.fit_transform(data)
eigenvalue, eigenvector = np.linalg.eig(np.cov(data.transpose()))
explained_variance_ratio_sum_ = np.cumsum(pca.explained_variance_ratio_)

index = eigenvalue.argsort()[::-1]
eigenvalue = eigenvalue[index]
eigenvector = eigenvector[:, index]

为什么 sklearn 使用 svd？有什么优点或缺点吗？而且我对svd_flip函数不是很熟悉，你能告诉我它的用法吗？

非常感谢。

【问题讨论】：

这里可能不适合讨论算法。请看stats.stackexchange.com/questions/79043/…

标签： scikit-learn pca

【解决方案1】：

scikit-learn 使用的基于 SVD 的方法不必在内存中实现经验协方差矩阵，因此内存效率更高。

从计算时间的角度来看，它应该非常相似，虽然我没有检查过。

【讨论】：