我有一个分类相关的图像数据，有15个不同的类，每个类有五个功能集。这五个功能集包括颜色功能，筛选功能等。最多5个不同的功能。每个类中的实例/样本的平均数量约为300（从200到400不等）。特征集的维数为512,1296,5376,5376和22950.样本总数接近4500。
（为清楚起见：假设一个类和一个颜色特征，我有一个220行（样本）的矩阵，每行是5376维向量，因此220 x 5376维矩阵表示一个类和一个特征）。 / p>
现在，如果我在单个类别/类上应用PCA，那么我将获得小于270的所有特征集的缩小维度（n_components = min（n_samples，feature_dimension））。
如果我在4500张图像的完整数据集上应用PCA（连接15个类别的所有样本），当然在一个特征集上，比如颜色..那么我将获得一个小于min的减小尺寸的数据集（ 4500，feature_dimension）。
申请PCA的最佳方式是什么？在类别明智的数据（每个功能）或一个功能的完整数据集上？请注意，我需要确定主要组件的数量以考虑90％以上的差异。
很高兴得到一些帮助!!
答案 0 :(得分：0)
我建议您尝试这两种方法。将数据转储到ARFF文件（类似于带有一些标题的CSV）并在Weka（http://www.cs.waikato.ac.nz/ml/weka/）中打开它。您将能够轻松地探索不同的场景，可视化降维，甚至检查一些特征选择算法。