Question

想象一下，我有9维和6000样本的训练数据，我使用sklearn PCA应用PCA算法。
我将它的尺寸减小到4，并且知道我希望将具有9个特征的一个新样本转换为我的训练数据空间，尽可能快地使用4个组件。
这是我的第一个pca代码：

X_std = StandardScaler().fit_transform(df1)
pca = PCA(n_components = 4)
result = pca.fit_transform(X_std)

有没有办法用sklearn pca函数做到这一点？

Answer 1

如果您想将原始矩阵转换为PCA提供的降维度投影，您可以使用transform函数，该函数将在特征向量和输入矩阵上运行有效的内积：

pca = PCA(n_components=4)
pca.fit(X_train)
X_std_reducted = pca.transform(X_std)

来自scikit来源：

X_transformed = fast_dot(X, self.components_.T)

因此，应用PCA转换只是一个线性组合 - 非常快。现在，您可以将投影应用于训练集以及我们将来要测试的任何新数据。