我们先调用一组人脸数据X(m,n),对人脸图像进行绘制,然后我们对人脸数据进行降维得到x_dr,之后再使用inverse_transform(x_dr)返回一个inverse(m,n)并对这个新矩阵中的人脸图像也进行绘制。如果PCA的降维过程是可逆的,我们应当期待X(m,n)...
人脸识别是最容易的,用来探索 inverse_ transform功能的数据。我们先调用一组人脸数据X(m,n),对人脸图像进行绘制,然后我们对人脸数据进行降维得到x_dr,之后再使用inverse_transform(x_dr)返回一个inverse(m,n)并对这个新矩阵中的人脸图像也进行绘制。如果PCA的降维过程是可逆的,我们应当期待X(m,n)和inverse(m,n...
将我的数据拟合成 X = 我的数据后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,它不应该返回原始数据,即X,二维数组吗?当我做X_ori = pca.inverse_transform(X_pca)我得到相同的尺寸但不同的数字。此外,如果我同时绘制 X 和 ...
比如pca.fit(X),表示用X对pca这个对象进行训练。 fit_transform(X) 用X来训练PCA模型,同时返回降维后的数据。 newX=pca.fit_transform(X),newX就是降维后的数据。 inverse_transform() 将降维后的数据转换成原始数据,X=pca.inverse_transform(newX) transform(X) 将数据X转换成降维后的数据。当模型训练好后...
将降维后的数据转换成原始数据,X=pca.inverse_transform(newX) transform(X) 将数据X转换成降维后的数据。当模型训练好后,对于新输入的数据,都可以用transform方法来降维。 3、PCA实例 下面我们首先用一个简单实例来学习下scikit-learn中的PCA类使用。为了方便的可视化让大家有一个直观的认识,我们这里使用了三维的...
实践1:对比inverse_transform得到的数据和原始数据 实践2:利用inverse_transform进行降噪处理 本文从sklearn中PCA的使用出发,讲解如何使用PCA在sklearn中进行降维。具体讲解PCA的重要参数、重要属性和重要接口三个方面。 1 重要参数 1.1 参数n_components 1.1.1 数字 ...
pca = pca.fit(X) #拟合模型 X_dr = pca.transform(X) #获取新矩阵 X_dr #也可以fit_transform一步到位 #X_dr = PCA(2).fit_transform(X) 可视化 #要将三种鸢尾花的数据分布显示在二维平面坐标系中,对应的两个坐标(两个特征向量)应该是三种鸢尾花降维后的x1和x2,怎样才能取出三种鸢尾花下不同的x1...
fit(X),表示用数据X来训练PCA模型。 函数返回值:调用fit方法的对象本身。比如pca.fit(X),表示用X对pca这个对象进行训练。 fit_transform(X) 用X来训练PCA模型,同时返回降维后的数据。 newX=pca.fit_transform(X),newX就是降维后的数据。 inverse_transform() ...
invX = pca.inverse_transform(newX) #将降维后的数据转换成原始数据 print(X) [[-1 -1] [-2 -1] [-3 -2] [ 1 1] [ 2 1] [ 3 2]] print(newX) array([[ 1.38340578, 0.2935787 ], [ 2.22189802, -0.25133484], [ 3.6053038 , 0.04224385], ...
inverse_transform():将降维后的数据转化成原始数据。 transform() : 对训练好的模型,进行转换。 实例 例子1 :基本的使用 importnumpyasnpfromsklearn.decompositionimportPCA X=np.array([[-1,-1],[-2,-1],[-3,-2],[1,1],[2,1],[3,2]])pca=PCA(n_components=2)pca.fit(X)print(pca.explaine...