【问题标题】:Calculate PCA using numpy使用 numpy 计算 PCA
【发布时间】:2017-06-13 13:23:45
【问题描述】:

我是 python 编程的新手,想问一下 numpy 中的 PCA(主成分分析)。 我有一个包含 2d numpy 数组的数据集。如何使用 numpy 在此数据集上找到 PCA。最好的方法是什么?

Output of the list:

[[  9.59440303 -30.33995167  -9.56393401 ...,  20.47675724  21.32716639
    4.72543396]
 [  9.51383834 -29.91598995 -15.53265741 ...,  29.3551776   22.27276737
    0.21362916]
 [  9.51410643 -29.76027936 -14.61218821 ...,  26.02439054   4.7944802
   -4.97069797]
 ..., 
 [ 10.18460025 -25.08264383  -8.48524125 ...,  -3.86304594  -7.48117144
    0.49041786]
 [ 10.11421507 -27.23984612  -8.57355611 ...,   1.86266657  -5.25912341
    4.07026804]
 [ 11.86344836 -29.08311293  -6.40004177 ...,   3.81287345  -8.21500311
   18.31793505]]

给定的数据是示例,但实际数据包含可能相互关联的非常长的数据。您可以使用虹膜数据或其他一些虚拟数据。

【问题讨论】:

    标签: python numpy pca


    【解决方案1】:

    正如 Nils 所建议的,最简单的解决方案是使用 scikit-learn 包中的 PCA 类。如果由于某种原因不能使用 scikit-learn,PCA 算法本身就相当简单。在 scikit-learn 的源代码中,您可以在这里找到它: https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/pca.py#L408

    作为一个简化的总结:

    centered_data = data - np.mean(data)
    U, S, V = np.linalg.svd(centered_data, full_matrices=False)
    components = V
    coefficients = np.dot(U, np.diag(S))
    

    【讨论】:

    • 它给了我这个错误:Tkinter 回调 Traceback 中的异常(最后一次调用):文件“/usr/lib/python2.7/lib-tk/Tkinter.py”,第 1540 行,在 call 返回 self.func(*args) 文件“speaker-recognition.py”,第 40 行,在 calc_mfcc 系数 = np.dot(U, np.diag(S)) ValueError: shape ( 364,364) 和 (13,13) 未对齐:364 (dim 1) != 13 (dim 0)
    • 使用full_matrices=False(我相应地改变了我的答案)
    【解决方案2】:
    猜你喜欢
    • 1970-01-01
    • 1970-01-01
    • 1970-01-01
    • 2018-10-20
    • 1970-01-01
    • 2020-02-28
    • 1970-01-01
    • 1970-01-01
    • 2013-04-11
    相关资源
    最近更新 更多