将我的数据拟合到X =我的数据之后
pca = PCA(n_components=1)
pca.fit(X)
X_pca = pca.fit_transform(X)
现在X_pca有一个维度。
当我按定义执行逆变换时,是不是应该返回原始数据,即X,2-D数组?
当我做
X_ori = pca.inverse_transform(X_pca)
我得到相同的维度,但不同的数字。
此外,如果我同时绘制X和X_ori,他们是不同的。
它无法做到这一点,因为通过减少PCA的尺寸,您已经丢失了信息(检查pca.explained_variance_ratio_
的信息百分比仍然存在)。然而,它尽力回到原来的空间,它可以,见下面的图片
(用...生成
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()