Question

据我所知，pyspark提供PCA API，如：

from pyspark.ml.feature import PCA
pca = PCA(k=3, inputCol="features", outputCol="pcaFeatures")
model = pca.fit(data_frame)

然而实际上，我发现解释的方差比被更广泛地使用。例如，在sklearn中：

from sklearn.decomposition import PCA
pca_fitter = PCA(n_components=0.85)

有谁知道如何在pyspark中实现解释的方差比？谢谢！

Answer 1

从Spark 2.0开始，PCAModel包含explainedVariance方法;来自docs：

<强> explainedVariance

返回由每个主成分解释的方差比例的矢量。

2.0.0版中的新功能。

以下是k=2主要组件和玩具数据的示例，改编自documentation：

spark.version
# u'2.2.0'

from pyspark.ml.linalg import Vectors
from pyspark.ml.feature import PCA

data = [(Vectors.sparse(5, [(1, 1.0), (3, 7.0)]),),
...     (Vectors.dense([2.0, 0.0, 3.0, 4.0, 5.0]),),
...     (Vectors.dense([4.0, 0.0, 0.0, 6.0, 7.0]),)]

df = spark.createDataFrame(data,["features"])
pca = PCA(k=2, inputCol="features", outputCol="pca_features")
model = pca.fit(df)

model.explainedVariance
# DenseVector([0.7944, 0.2056])

即。从我们的k=2主成分中，第一个解释了79.44％的方差，而第二个解释了剩余的20.56％。

如何在pyspark中获得每个PCA组件的解释差异

1 个答案: