为什么在做PCA时，scikit-learn使用svd来获取特征值，而传统的方法是使用eig？

Question

当我使用scikit-learn进行PCA时，我发现它使用svd来获取eigenvalue和eigenvector，然后使用svd_flip来获取真实的特征向量。< / p>

这是获取eigenvalue和eigenvector的代码。

pca = PCA(data.shape[1])
newData = pca.fit_transform(data)
eigenvalue, eigenvector = np.linalg.eig(np.cov(data.transpose()))
explained_variance_ratio_sum_ = np.cumsum(pca.explained_variance_ratio_)

index = eigenvalue.argsort()[::-1]
eigenvalue = eigenvalue[index]
eigenvector = eigenvector[:, index]

为什么sklearn使用svd？有任何优点或缺点吗？我对svd_flip函数不是很熟悉，你能告诉我它的用法吗？

非常感谢。

Answer 1

scikit-learn使用的基于SVD的方法不必实现内存中的经验协方差矩阵，因此更有效。

从计算时间的角度来看，它应该非常相似，尽管我没有检查过。