2 回答

TA贡献1796条经验 获得超7个赞
当我按定义执行逆变换时,它不应该返回原始数据
不,如果您指定的组件数量与输入数据的维度相同,您只能期待这一点。对于任何小于此值的 n_components,在应用逆 PCA 变换后,您将获得与原始数据集不同的数字:下图给出了二维说明

TA贡献1873条经验 获得超9个赞
它不能这样做,因为通过使用 PCA 减少维度,您丢失了信息(检查pca.explained_variance_ratio_
您仍然拥有的信息百分比)。但是,它尽量回到原来的空间,看下图
(生成与
import numpy as np
from sklearn.decomposition import PCA
pca = PCA(1)
X_orig = np.random.rand(10, 2)
X_re_orig = pca.inverse_transform(pca.fit_transform(X_orig))
plt.scatter(X_orig[:, 0], X_orig[:, 1], label='Original points')
plt.scatter(X_re_orig[:, 0], X_re_orig[:, 1], label='InverseTransform')
[plt.plot([X_orig[i, 0], X_re_orig[i, 0]], [X_orig[i, 1], X_re_orig[i, 1]]) for i in range(10)]
plt.legend()
plt.show()
) 如果您保持 n_dimensions 相同(设置pca = PCA(2),您确实恢复了原始点(新点位于原始点之上):
添加回答
举报