Question

假设我的原始数据集有8个功能，我将PCA应用于n_components = 3（我正在使用sklearn.decomposition.PCA）。然后我使用这3个PCA组件（现在是我的新功能）训练我的模型。

我还需要在预测时应用PCA吗？即使我只预测一个数据点，我还需要这样做吗？

令我困惑的是，当我做预测时，每个数据点都是2D矩阵中的一行（由我想要预测的所有数据点组成）。因此，如果我仅对一个数据点应用PCA，则相应的行向量将转换为零向量。

Answer 1

如果您将模型安装在PCA的前三个组件上，则必须适当地转换任何新数据。例如，请考虑从here获取此代码：

pca = PCA(n_components=n_components, svd_solver='randomized',
          whiten=True).fit(X_train)

X_train_pca = pca.transform(X_train)
X_test_pca = pca.transform(X_test)


clf = GridSearchCV(SVC(kernel='rbf', class_weight='balanced'), param_grid)
clf = clf.fit(X_train_pca, y_train)

y_pred = clf.predict(X_test_pca)

在代码中，他们首先将PCA放在trainig上。然后他们转换训练和测试，然后他们将模型（在他们的情况下，SVM）应用于转换后的数据。

即使您的X_test仅包含1个数据点，您仍然可以使用PCA。只需将数据转换为2D矩阵即可。例如，如果您的数据点是[1,2,0,5]，那么X_test=[[1,2,0,5]]。也就是说，它是一个有1行的2D矩阵。

如何在预测时使用主成分分析？

1 个答案: