使用 sklearn 的因子载荷

Question

我想要python中各个变量和主成分之间的相关性。我在 sklearn 中使用 PCA。我不明白分解数据后如何实现加载矩阵？我的代码在这里。

iris = load_iris()
data, y = iris.data, iris.target
pca = PCA(n_components=2)
transformed_data = pca.fit(data).transform(data)
eigenValues = pca.explained_variance_ratio_

http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html 没有提到如何实现这一目标。

Answer 1

将每个分量乘以其相应特征值的平方根：

pca.components_.T * np.sqrt(pca.explained_variance_)

这应该会产生您的加载矩阵。

Answer 2

我认为@RickardSjogren是在描述特征向量，而@BigPanda是在给出载荷。 有一个很大的区别：PCA中的加载与特征向量：何时使用一个或另一个？

我用loadings方法创建了这个 PCA 类。

载荷，由pca.components_ * np.sqrt(pca.explained_variance_)给出，更类似于多元线性回归中的系数。 我在这里不使用.T，因为在上面链接的 PCA 类中，组件已经转置。 numpy.linalg.svd产生u, s, and vt，其中vt是赫尔墨斯转置，所以你首先需要回到v与vt.T。

还有一个重要的细节：组件上的符号（正/负）和sklearn.PCA中的负载可能与 R 等包装不同。 更多关于这里：

在sklearn.decomposition.PCA中，为什么components_负数？。

Answer 3

根据这个博客，pca.components_行是加载向量。所以：

loadings = pca.components_