PCA 图降维答案

【问题标题】：PCA plot reduction dimensionalityPCA 图降维
【发布时间】：2019-07-21 12:52:53
【问题描述】：

我尝试使用 PCA 技术进行集群。

在我的情况下，我有 n 部电影的用户进行了评论。我以这种方式创建了一个表用户 x 电影：

User    Movie
        0 1 2 3 4 
      0 2 0 5 0 0
      1 0 1 1 0 0
      2 0 5 5 5 0

如果用户不评论电影，则为 0，如果他评论 1 到 5 星，则为 1-5。形状为 (6040, 3706)

我规范化数据和之后我将此代码用于 PCA（来自 sklearn）

pca = PCA(0.7)
pca_result = pca.fit_transform(X_std)

a = pca_result[:,0]
b = pca_result[:,1]

我将 0.7 用于集群，因为我的累积解释方差

所以对我来说是非常具有代表性的价值 0.7 我的新形状是 (6040, 650)

在我看到尺寸后会以这种方式绘制（但我认为不是很重要）

fig = plt.figure(figsize = (20,16))
ax = fig.add_subplot(111)


ax.scatter(a,b, alpha = 1)
plt.title('Method: PCA')
plt.show()

但是通过这种方式，我将 A 放在 X 轴上，将 B 放在 Y 轴上，所以我认为只使用二维（因为我看到所有示例都是二维的）。

所以我的问题是我没有绘制所有维度？（在我的情况下，还有 650 个维度？） 我做错了什么？

也许我的问题可能很愚蠢，但我正在努力理解这个话题。

【问题讨论】：

您针对 650 个“幸存”因素绘制了 a 值与 b 值。我希望您上面的图有 650 个数据点。或者也许这是所有 3706 个点的变量图，接近 0 的点是最不重要的。我不知道，因为你没有包含足够的代码来遵循算法。
对我来说 a 和 b 是 6040 的 2 个向量 @Prune 我没有更多代码，在此代码之前我只是使用 sklearn 的归一化并为电影创建一个矩阵用户......没什么很多

【解决方案1】：

不要使用 0 来编码缺失值（特别是，不能使用 PCA）。

这是与 5 分的最大差异，所以本质上你现在假设用户讨厌他们没有评分的所有电影。

我不知道是否有任何 PCA 变体可以处理缺失数据。通常它似乎假设你拥有所有的价值观。所以你可能需要选择其他算法。

【讨论】：