如何使用skikit-learn将选定的特征脸投影到测试数据上？

Question

背景：
我想用Python进行人脸识别。早些时候，在 Matlab 中，我大致使用以下代码实现了人脸识别：

[EigVec, projec, eigenVal] = myPCA(TrainingDataFaces);
prinComps = [1, 3, 5];
dimensionReduced = TrainingData'*EigVec(:,prinComps);%project it onto the face space to reduce dimension
model = NaiveBayes.fit(dimensionReduced, classesData);
ProjectedTestData = TestData' * EigVec(:,prinComps);%project it onto the face space to reduce dimension  
r = model.predict(ProjectedTestData(1,:));  

如您所见，我有

EigVec

可用，这为我提供了关于可以选择多少个主成分的足够信息。我需要选择特定的主成分，我选择

[1,3,5]

。
然后我可以将选定的主成分与训练数据相乘以获得降维矩阵。

尝试使用 Skikit-learn：
在尝试使用 Skikit-learn 做“同样的事情”时，我发现虽然它提供了 pca = PCA(n_components=n_components).fit(X_train)，但这只允许指定第一个

n

主成分。但如果我使用

pca=PCA().fit(X_train)

，然后使用

eigenfaces = self.pca.components_[[1,3,5], :]

，我可以选择特定的主成分。我需要能够选择特定的主成分。

问题：

要将特征脸投影到测试数据上，有这个 trainingProjected = pca.transform(trainingData)
。但

pca

包含所有主成分。我只想将 EigenFaces

[1,3,5]

投影到训练数据上。我该如何实现这一目标？我唯一的选择是获取原始特征脸数组并将其手动与训练数据相乘吗？ Skikit-learn 没有提供任何内置方法吗？

我注意到

this
问题有pca.fit_transform()，但

docs

并没有表明它可以按照我想要的方式使用。

Answer 1

np.dot(trainingData, selectedPrincipalComponents.transpose())

而不是

pca.transform(trainingData)

。