回答情况：
提问时间：
问题标签：
我们如何将PCA应用于一维数组？double[][] data = new double [1][600]; data = pca.getPCATransformedDataAsDoubleArraypackage VoiceRecognation;
import comirva.data.DataMatrix;
import comirva.util.PCA= Files.getFil
浏览 0修改于2012-12-04得票数 0
做了一些主成分分析，并与FactoMineR函数、PCA和base的prcomp结果进行了比较，得到了不同的结果。. = T)
dim(pca_facto$ind$coord)
head(
浏览 2修改于2020-10-30得票数 2
回答已采纳
我正在尝试将PCA降维应用于684x1800(观察值x特征)的数据集。我想减少功能的数量。当我执行PCA时，它告诉我要获得解释的100%方差，应该有684个特征，所以我的数据应该是684x684。有没有什么解释，或者我用错了PCA？ 我知道需要684个分量来解释整个方差，因为我绘制了.explained_variance_ratio的累积和，结果是1乘以684个分量。也是因为下面的代码。我的代码基本上是： pca = PCA(0.99999999999)
pca.fit(data_res
浏览 14提问于2020-12-14得票数 1
回答已采纳
1回答
我正在学习PCA，我试图将这个方法应用于R中的mtcar数据集，这是我的代码：library(devtools)ggbiplot(mtcars.pca=TRU
浏览 0提问于2022-02-25得票数 0
回答已采纳
磁带基： .withParameters((method=tapkee::PCA,target_dimension=3))OpenCV：
cv::PCA pca(image.reshape(1,image.rows*image.cols), Mat(), CV_PCA_DATA_AS_COL, 3);
浏览 0修改于2019-01-30得票数 0
1回答
我认为PCA图是减少图形维数和比较值的好方法，尽管它们不是在相同的尺度上。df <- df[c("quality", "phasing", "depth")]
浏览 0修改于2022-03-16得票数 2
回答已采纳
1回答
我有第一批差异的时间序列，我应用PCA，使用scikit获得第一台PC。# data is a timeseries of first differencespca.fit(data)pc1_dot = numpy.dot( data, pca.components_.T)plt.plot( n
浏览 1修改于2019-05-12得票数 1
回答已采纳
1回答
我有一个回归问题，我的数据有21个特征，我希望应用PCA降维。据我所知，到目前为止，我看到的所有教程都使用PCA来解决分类问题。我写了以下代码 principal_components= pca.fit_transform(X)
principalDf = pd.DataFrame(data=principal_com
浏览 0提问于2020-01-14得票数 1
回答已采纳
1回答
我正在使用sci-kit learn在python中实现PCA，它显示错误pca not found。有人能告诉我如何解决这个问题吗？下面是我写的代码，请检查。'z':plyfile['vertex']['y'][::reduce_factor]`
impor
浏览 0修改于2018-01-18得票数 0
我一直在玩sklearn PCA，它表现得很奇怪。from sklearn.decomposition import PCAidentity = np.identity(10)augmented_identity = pca.fit_transform(identity)
np.linalg.norm(identity - augmented_identity)
浏览 3修改于2016-10-23得票数 3
我一直试图用PCA进行一些降维。我现在有一个大小的图像(100,100)，我正在使用一个由140个Gabor滤波器组成的滤波器组，其中每个过滤器给我一个响应，这又是一个图像(100,100)。现在，我想做的特征选择，我只想选择非冗余的功能，我读到PCA可能是一个很好的方法。
pca = pca(n_co
浏览 5修改于2015-03-12得票数 1
回答已采纳
1回答
理论上，如果特征的均值为0时，PCA和SVD的投影结果是相同的。所以我在蟒蛇身上试了一下。scaler.fit(cancer.data)pca.fit(X_scaled)
X_pca=pca.t
浏览 4提问于2021-10-04得票数 1
回答已采纳
1回答
我是python的初学者，试图使用pandas、sklearn.preprocessing、sklearn.decomposition和Matplotlib.pyplot创建一个两个分量的PCA图。我想画一张PCA图，比较树干长度>40 of和树干长度<40 of时特征的方差。然而，我不知道如何处理这件事。from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PC
浏览 17修改于2021-06-04得票数 2
我使用这个简单的代码在一个有10个特征的数据帧上运行PCA：fit = pca.fit(dfPca)array3.43255532e-03, 1.84516942e-03,我认为这意味着第一个PC解释了52%的方差，第二个成分解释了29%，以此类推……df = pd.D
浏览 1修改于2017-11-19得票数 25
回答已采纳
1回答
我不认为我对PCA有很好的理解，有人能帮我解决下面的困惑吗？digits_pca_4 = pca.fit(X)
digits_pca_4.explained
浏览 1修改于2020-12-28得票数 1
回答已采纳
1回答
我有一个关于K均值聚类和PCA的问题。在我的项目中，我有两个目标类--0和1- -并且我试图将被预测为0的记录分组到5个集群中。我严格使用PCA作为可视化技术，因为我的数据框架有8个维度，我需要将其降到2-3维才能看到集群。我的问题是关于我应该遵循的程序~提取目标=0的所有记录第二条路：用目标=0提取PCA记录(从步骤1中创建的PCA数据帧中)使用这两种方法，记
浏览 0提问于2020-07-09得票数 1
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号