降维-在PCA之后将LLE应用于mnist数据集不起作用

Question

我读到，由于LLE歧管比PCA慢得多，因此明智的做法是使用PCA，然后应用LLE以减小更大的尺寸。

我想缩小mnist数据集中的数字尺寸（从28X28开始）。这是我的代码：

import matplotlib.pyplot as plt
import matplotlib as mpl

def showdigit(digit):
    plt.imshow(digit, cmap = mpl.cm.binary, interpolation="nearest")
    plt.axis("off")
some_digit = X[10000] 
some_digit = some_digit.reshape(28, 28)
showdigit(some_digit)

plt.show()

（显示原始数字的图像。）

#PCA
from sklearn.decomposition import PCA 
pca = PCA(n_components=0.95)
X_reduced = pca.fit_transform(some_digit)
showdigit(X_reduced)

我得到（26,8）X_reduced的图像。

现在，我要将LLE歧管应用于PCA的输出：

#Manifold
from sklearn.manifold import LocallyLinearEmbedding
lle = LocallyLinearEmbedding(n_components=20, n_neighbors=10)
X_redu = lle.fit_transform(X_reduced)
showdigit(X_redu)

我收到错误消息：“ ValueError：输出尺寸必须小于或等于输入尺寸”。。

例如，如果我将n_components = 0.9更改为，则“ ValueError：无法创建intent（cache | hide）|可选数组-必须具有已定义的尺寸，但是得到（28,0，）” < / strong>

您能告诉我们这里出什么问题吗？

---

Ps。这是代码的第一个单元格（取自hanson-ml）：

import numpy as np
import os

def sort_by_target(mnist):
    reorder_train = np.array(sorted([(target, i) for i, target in enumerate(mnist.target[:60000])]))[:, 1]
    reorder_test = np.array(sorted([(target, i) for i, target in enumerate(mnist.target[60000:])]))[:, 1]
    mnist.data[:60000] = mnist.data[reorder_train]
    mnist.target[:60000] = mnist.target[reorder_train]
    mnist.data[60000:] = mnist.data[reorder_test + 60000]
    mnist.target[60000:] = mnist.target[reorder_test + 60000]

try:
    from sklearn.datasets import fetch_openml
    mnist = fetch_openml('mnist_784', version=1, cache=True)
    mnist.target = mnist.target.astype(np.int8) # fetch_openml() returns targets as strings
    sort_by_target(mnist) # fetch_openml() returns an unsorted dataset
except ImportError:
    from sklearn.datasets import fetch_mldata
    mnist = fetch_mldata('MNIST original')
mnist["data"], mnist["target"]
X, y = mnist["data"], mnist["target"]