无法理解sklearn.decomposition.PCA的输出

Question

我对PCA算法有点困惑，尤其是在sklearn中实现的PCA算法。

当我在具有4000X784矩阵的sklearn分解中使用主成分分析时

X.shape = (4000,784)
pca = PCA()
pca.fit(X)
pca.explained_variance_.shape

我得到

(784,)

另一方面，当我使用另一个形状为(50,784) 的数据集时

(50,)

我做错什么了吗？

Answer 1

让我们看看：

explained_variance_ratio_ 数组，[n-components]每个选定组件解释的方差百分比。则存储所有分量，并且解释的方差之和等于1.0

在第一种情况下，数据有4000个元素和748个组件，因此该属性为您提供了一个748个值的数组。如果这是正确的，那么您需要转换第二个数据集。

Answer 2

使用PCA得到的分量的最大数量等于X矩阵的最小维数。

explained_variance_方法向您显示每个主成分分析分量对数据方差的解释程度。

这些阵列形状是正常的，因为当数据多于功能时，会得到768个组件，但当数据为50行时，只有50个组件。