如何解决使用 python 的稀疏 PCA
我正在分析一个具有 9 个特征的数据集，我使用 Sparse PCA 将数据集的维数减少到 3。之后我将数据集标准化为具有均值 0 和方差 1。我想从以上两个选项中选择最佳选项方法。我可以看到结果之间存在差异，并且这两个结果中的哪一个最有可能捕捉到变量之间的关系。
from sklearn.decomposition import SparsePCA
from sklearn.preprocessing import StandardScaler
transformer = SparsePCA(n_components=3,random_state=0,alpha=5)
transformer.fit(data)
X_transformed = transformer.transform(data)
print(pd.DataFrame(X_transformed))
#Standardized Data
scaler = StandardScaler()
scaler.fit(data)
noramlized_data=scaler.transform(data)
transformer = SparsePCA(n_components=3,alpha=5)
transformer.fit(normalized_data)
X_transformed = transformer.transform(normalized_data)
pd.DataFrame(X_transformed)
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。
