使用scikit时，我有2个关于PCA的问题。
假设我有以下数据：
fullmatrix =[[2.5, 2.4],
[0.5, 0.7],
[2.2, 2.9],
[1.9, 2.2],
[3.1, 3.0],
[2.3, 2.7],
[2.0, 1.6],
[1.0, 1.1],
[1.5, 1.6],
[1.1, 0.9]]
现在，我进行PCA计算：
from sklearn.decomposition import PCA as PCA
sklearn_pca = PCA()
Y_sklearn = sklearn_pca.fit_transform(fullmatrix)
print Y_sklearn # Y_sklearn is now the Data transformed with 2 eigenvectors
sklearn_pca.explained_variance_ratio_ # variance explained by each eigenvector
print sklearn_pca.explained_variance_ratio_
sklearn_pca.components_ # eigenvectors order by highest eigenvalue
print sklearn_pca.components_
第一个问题：
如何将这个Y_sklearn投影回原始比例？ （我知道我们应该使用所有特征向量来获取与全矩阵相同的数据，这只是为了检查是否正确完成）。
第二个问题：
如何输入有关“ sklearn_pca.explained_variance_ratio_”的最小可接受总方差的阈值？例如，假设我要一直使用特征向量，直到达到95％以上的总explained_variance_ratio_。在这种情况下很容易，我们只使用第一个特征向量即可解释为0.996318131％。但是，我们如何才能以更自动化的方式做到这一点呢？
最佳答案
第一：sklearn_pca.inverse_transform(Y_sklearn)
第二：
thr = 0.95
# Is cumulative sum exceeds some threshold
is_exceeds = np.cumsum(sklearn_pca.explained_variance_ratio_) >= thr
# Which minimal index provides such variance
# We need to add 1 to get minimum number of eigenvectors for saving this variance
k = np.min(np.where(is_exceeds))+1
# Or you can just initialize your model with thr parameter
sklearn_pca = PCA(n_components = thr)
关于python - 将PCA项目重新设置为原始比例，并带有explain_variance_ratio_条件，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/33021806/