Как нормализовать с помощью PCA и scikit-learn
Позвольте мне сделать это. В принципе, я хочу знать: должен ли я это делать,
pca.fit(normalize(x)) new=pca.transform(normalize(x)) или это
- X и y имеют несовместимые формы
- sklarn's PLSRegression: "ValueError: array не должен содержать infs или NaNs"
- Кластеризация на основе матрицы расстояний
- graph.write_pdf ("iris.pdf") AttributeError: объект 'list' не имеет атрибута 'write_pdf'
- Обучение sklearn LogisticRegression классификатор без всех возможных меток
pca.fit(normalize(x)) new=pca.transform(x)
Я знаю, что мы должны нормализовать наши данные перед использованием PCA, но какая из вышеперечисленных процедур верна с помощью sklearn?
- Scikit-Learn: метка не x присутствует во всех примерах обучения
- Можно ли использовать scikit из IronPython?
- sklearn: как получить коэффициенты полиномиальных функций
- Python - Scikit находит переменную важность для категориальных переменных
- pip: вытягивание обновлений из удаленного репозитория git
- multiprocessing.Pool зависает, если дочерний элемент вызывает ошибку сегментации
- DBSCAN в scikit-learn Python: сохранить точки кластера в массиве
- sklearn и большие наборы данных
One Solution collect form web for “Как нормализовать с помощью PCA и scikit-learn”
В общем, вы бы хотели использовать первый вариант.
Ваша нормализация помещает ваши данные в новое пространство, которое видно на PCA, и его преобразование в основном ожидает, что данные будут в одном пространстве.
Scikit-learn предоставляет инструменты для этого прозрачно и удобно, объединяя оценки в конвейере. Пытаться:
from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA from sklearn.pipeline import Pipeline import numpy as np data = np.random.randn(20, 40) pipeline = Pipeline([('scaling', StandardScaler()), ('pca', PCA(n_components=5))]) pipeline.fit_transform(data)
Затем расширенный скалер будет всегда применять свое преобразование к данным перед тем, как перейти к объекту PCA.
Как указывает @larsmans, вы можете использовать sklearn.preprocessing.Normalizer вместо StandardScaler или, аналогично, удалить среднее центрирование из StandardScaler , передав аргумент ключевого слова with_mean=False .
- Как получить надежный счет символа Юникода в Python?
- Способ повышения эффективности памяти для частичного большого файла