Question

我是Matlab用户，正在通过sklearn库学习Python。我想翻译这个Matlab代码

[coeff,score] = pca(X)

对于coeff，我已经在Python中尝试过：

from sklearn.decomposition import PCA
import numpy as np
pca = PCA()
pca.fit(X)
coeff = print(np.transpose(pca.components_))

我不知道这是对的吗？对于score，我一无所知。

有人能启迪coeff的正确性和score的可行性吗？

Answer 1

sklearn PCA具有score方法，如文档中所述：https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html

尝试：pca.score(X)或pca.score_samples(X)，具体取决于您希望获得每个样本的分数（后者）还是所有样本的单个分数（前者）

Answer 2

sklearn中的PCA得分与matlab不同。

在sklearn中，pca.score()或pca.score_samples()给出了样本的对数似然，而matlab给出了主要成分。

来自sklearn Documentation：

返回每个样本的对数似然性。

参数：
   X：数组，形状（n_samples，n_features）         数据
  返回：
   ll：阵列，形状（n_samples个）         当前模型下每个样本的对数似然

来自matlab documentation：

[coeff，score，latent] = pca（___）也返回主成分   分数得分和潜在主成分方差。您   可以使用先前语法中的任何输入参数。

主成分得分是X在中的表示形式   主要组件空间。分数行对应于观察值，   和列对应于组件。

主成分方差是   X的协方差矩阵。

现在，pca中的matlab score等效为fit_transform()或transform()：

>>> import numpy as np
>>> from sklearn.decomposition import PCA
>>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
>>> pca = PCA(n_components=2)
>>> matlab_equi_score = pca.fit_transform(X)

在Python sklearn中相当于Matlab的PCA

2 个答案: