PCA，truncated_svd和svds在numpy和sklearn上的不同结果

sklearn numpy有不同的方法来计算第一个主要组件。我为每种方法获得不同的结果。为什么？PCA，truncated_svd和svds在numpy和sklearn上的不同结果

import matplotlib.pyplot as pl 
from sklearn import decomposition 
import scipy as sp 
import sklearn.preprocessing 
import numpy as np 
import sklearn as sk 

def gen_data_3_1(): 
    #### generate the data 3.1 
    m=1000 # number of samples 
    n=10 # number of variables 
    d1=np.random.normal(loc=0,scale=100,size=(m,1)) 
    d2=np.random.normal(loc=0,scale=121,size=(m,1)) 
    d3=-0.2*d1+0.9*d2 
    z=np.zeros(shape=(m,1)) 

    for i in range(4): 
     z=np.hstack([z,d1+np.random.normal(size=(m,1))]) 

    for i in range(4): 
     z=np.hstack([z,d2+np.random.normal(size=(m,1))]) 
    for i in range(2): 
     z=np.hstack([z,d3+np.random.normal(size=(m,1))]) 
    z=z[:,1:11] 
    z=sk.preprocessing.scale(z,axis=0) 
    return z 

x=gen_data_3_1() #generate the sample dataset 

x=sk.preprocessing.scale(x) #normalize the data 
pca=sk.decomposition.PCA().fit(x) #compute the PCA of x and print the first princ comp. 
print "first pca components=",pca.components_[:,0] 
u,s,v=sp.sparse.linalg.svds(x) # the first column of v.T is the first princ comp 
print "first svd components=",v.T[:,0] 

trsvd=sk.decomposition.TruncatedSVD(n_components=3).fit(x) #the first components is the       
                  #first princ comp 
print "first component TruncatedSVD=",trsvd.components_[0,]

first pca components= [-0.04201262 0.49555992 0.53885401 -0.67007959 0.0217131 -0.02535204 
     0.03105254 -0.07313795 -0.07640555 -0.00442718] 
    first svd components= [ 0.02535204 -0.1317925 0.12071112 -0.0323422 0.20165568 -0.25104996 
    -0.0278177 0.17856688 -0.69344318 0.59089451] 
    first component TruncatedSVD= [-0.04201262 -0.04230353 -0.04213402 -0.04221069 0.4058159 0.40584108 
     0.40581564 0.40584842 0.40872029 0.40870925]

来源

2013-12-19 Donbeo

顺便说一句，''sk.decomposition.PCA''返回的结果按减少的方差值解释（即按奇异值递减的顺序排列），而''sparse.linalg.svds''按奇异值递增的顺序返回，所以''打印'第一个pca组件=“，pca.components _ [:, 0]''应该是'print'首先pca组件=”，pca.components _ [：， - 1]''。 – deepak

，因为这些方法PCA，SVD，并截断SVD是不一样的。 PCA调用SVD，但它也在数据中心之前。截断SVD截断向量。 svds是与svd不同的方法，因为它很稀疏。

来源

2013-12-26 06:34:28 cyborg

PCA，truncated_svd和svds在numpy和sklearn上的不同结果

回答

相关问题