利用主成分分析计算原始数据集与转换数据集之间的丢失数据

Question

我正在使用Python中的sklearn来进行主组件分析。

我的意图之一是生成一个4个组件模型，另一个组件模型为8，并使用inverse_transform与原始数据进行比较。

代码是这样的：

pca4 = PCA(n_components=4)
pca4.fit(parkinsonData)
scores4=pca.transform(parkinsonData)
reconstruct4=pca.inverse_transform(scores4)

为了计算原始数据和重建数据之间的差异，我做了如下工作：

differenceMatrix=parkinsonData-reconstruct4

现在我有了差异，但我想计算数据丢失尊重原始数据集。为了做到这一点，我要计算由2驱动的原始数据集的每个元素与重建的数据集之间的差值的平均值。

在最后一条语句中，我计算了原始数据集的每个元素与重构的数据集之间的差异，但现在我必须计算幂。我不知道怎么做，因为当我使用：

power=differenceMatrix**

我得到一个错误:这个矩阵不是正方形的。

为了解决这个问题，我用

np.power(differenceMatrix,differenceMatrix)

它起作用了，但有些元素是南。我认为这是由于缺乏方形的缘故。

谁知道如何解决这一问题，并计算原始数据集和转换数据集之间的数据丢失使用PCA？

谢谢。

Answer 1

要将矩阵的每个元素(我猜这就是“由2供电”的意思)平方，请使用：

np.square(differenceMatrix)

这在元素上是可行的，不限制你使用方阵的形状.矩阵中的NaN在输出中作为NaN返回。