如何解决如何在 PCA 中取 n_components 的值
我的问题是如何在 PCA (n_components=?) 中取 n_components 的值。该项目的背景是使用机器学习算法来预测疾病的阶段。我正在使用 sklearn。
我的项目中的示例：
PCA（n_components=0.95），准确率为0.72。它生成了 53 个新组件。
PCA（n_components=0.55），准确率为0.78。它生成了 5 个新组件。
svm_clf04 = SVC(kernel="linear",random_state=42)
start = time.process_time()
# Feature scaling
scaler = StandardScaler()
x_train_scaled = scaler.fit_transform(rfecv_forest01_x_train01)
# Dimension reduction
pca = PCA(n_components=0.95,svd_solver='full') # n_components
x_train_scaled_reduced = pca.fit_transform(x_train_scaled)
print (pca.explained_variance_ratio_)
print (pca.explained_variance_)
print ("Components:",pca.n_components_)
svm_clf04.fit(x_train_scaled_reduced,y_train01)
pred = cross_val_predict(svm_clf04,x_train_scaled_reduced,y_train01,cv=10)
print("Time: ",time.process_time() - start)
print(confusion_matrix(y_train01,pred))
print(classification_report(y_train01,pred))
对于解释方差，网上有人说0.95是最好的选择。但是如果我减少解释方差，准确度就会提高。我应该如何选择？ 0.95 或更高准确度的解释方差。
解决方法
我不确定您是否正确使用 PCA。如果您查看文档，您会发现当求解器为 full 时，它可以正确解释 0 和 1 之间的浮点值（我假设这是 scikit-learn）：
如果 0
同时默认求解器是 auto。我建议在明确指定 PCA(n_components=0.95,svd_solver='full')
其次，0.95 不是“最佳选择”，我不确定为什么有人会建议它。 PCA 数量的选择取决于手头的问题，即如果您进行 PCA 以能够绘制多维数据，那么您将只想留下 2 或 3 个 PCA；在大多数其他应用中，该问题将定义为简单起见您准备放弃多少数据方差。
另一个选项是绘制 1、2、3...等 PCA 的组合解释方差，并选择图形形成“扭结”的点，以便添加更多 PCA 几乎不会增加整体解释方差，即像这样：>
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
