pca

    0热度

    1回答

    Sklearn.PCA-意想不到的关键字参数 'random_state'

    def doPCA(data, dimensions=2): from sklearn.decomposition import PCA model = PCA(n_components=dimensions, svd_solver='randomized', random_state=7) model.fit(data) return model File "/home/dogus/
    python scikit-learn pca spyder 2017-02-11

    1热度

    1回答

    增量奇异值分解OpenCV的

    我从室外摄像机图像的大型档案库。接近200000个项目，每个1280x960彩色像素。我想通过为这些数据构造SVD（Eigen-images）并减少数据向量（例如每张图片的100维向量）来索引这个数据库。 加载所有的数据到RAM中一次，大约需要的RAM 200GB。首先，我没有太多内存。其次，它不会太大。所以，我正在寻找执行递增奇异向量分解，可能应该存在像OpenCV或Eigen这样的库。 我不想
    opencv eigen pca svd 2017-02-11

    2热度

    1回答

    边缘多彩MDS阴谋R

    我有问题在边缘R中创建MDS阴谋，以可视化实验（白血病）和控制（健康捐助者）群体的颜色。 我用htseq文件作为edgeR的输入。每个文件由两列组成 - gene_ID和读取计数。 “A”代表白血病患者，“H”代表健康捐献者。 这里是我的代码： 创建一个表： samples <- matrix(c("A18.txt","experiment","blood_exp", "A19.txt
    r plot bioinformatics pca 2017-02-15

    -1热度

    1回答

    为什么在做PCA时，scikit-learn使用svd来获得特征值，而传统的方法是使用eig？

    虽然我在用scikit-learn进行PCA时，发现它使用svd来获得eigenvalue和eigenvector，然后使用svd_flip来获得真正的特征向量。 这里是我的代码eigenvalue和eigenvector。 pca = PCA(data.shape[1]) newData = pca.fit_transform(data) eigenvalue, eigenvector =
    scikit-learn pca 2017-02-17

    1热度

    1回答

    如何找到主要特征方向？

    我想在椭球体内生成点，然后尝试适应光滑的椭球体表面。目标是适应未知数据，我必须在3个主轴上找到a，b和c的值。 Rinv应该等同于pc。但是，我以不同的顺序获得电脑。所以我必须找到正确的顺序来将我的数据旋转到matlab坐标。 a=3; b=5; c=1; index=1; for i=1:500000 x=10*rand-5; y=10*rand-5; z=
    matlab pca ellipse eigenvalue 2017-02-17

    2热度

    1回答

    从纸张复制主要组件图的麻烦？

    我最初尝试重现此paper（图1）中显示的PCA图。 本文使用PCA技术根据reference 16（图1-B和C）在较低维度上显现蛋白质结构构象。 PC图中的每个点表示低维空间中的蛋白质结构。但我现在有些怀疑，因为我正在试图重现这些情节。所以我查看了这个link，这是来自参考文献-16的作者的称为bio3d的R库。每个pdb文件在其pdb文件中都有{X Y Z}坐标位置。在将蛋白质区域对齐后，将
    r matlab bioinformatics pca 2017-02-17

    -1热度

    1回答

    如何在测试集上使用PCA（代码）

    我正尝试使用PCA来选择一些K主要组件。 我明白，不应该在测试集上重新运行PCA，而是使用在对训练集进行建模时找到的特征向量\ PC。 我有2个CSV的 - 一个是训练集， 其他测试集（不每条记录标签） 在 训练 PCA过程中设置与done下面的代码： # Load CSV file train_set.init_data <- read.csv("D:\\train.csv", header
    r pca 2017-02-19

    3热度

    1回答

    主要组件分析的最重要的原始特征

    我正在做PCA，我对哪些原始特征最重要感兴趣。让我来说明这一个例子： import numpy as np from sklearn.decomposition import PCA X = np.array([[1,-1, -1,-1], [1,-2, -1,-1], [1,-3, -2,-1], [1,1, 1,-1], [1,2,1,-1], [1,3, 2,-0.5]]) print
    python scikit-learn pca feature-selection 2017-02-23

    0热度

    1回答

    用PCA值构建一个K近邻分类器

    这里是数据科学的新手。 我有一个高维数据集。有83个样品2308个尺寸，其形状是（83,2308）。另外，我有一组样本类型，长度为83，形状为（83，）。 我试图训练一个KNN分类器（2个邻居）与我的原始数据集的一个子集，并用它来预测其余数据点（测试子集）的样本类型。我的训练数据具有形状（66,2308），我将其训练成形状（63，）的样本类型数组。 我的目标是训练我的KNN分类器，它的训练集的维数
    python scikit-learn pca knn 2017-02-26

    0热度

    1回答

    PCA前K均值聚类

    如果我施加PCA上的特征向量，然后我做聚类，例如像以下： reduced_data = PCA(n_components=2).fit_transform(data) kmeans = KMeans(init='k-means++', n_clusters=n_digits, n_init=10) kmeans.fit(reduced_data) 减小的数据将是在PCA分量而言，使后 在k
    python cluster-computing cluster-analysis k-means pca 2017-02-27
最新问题