Znajdowanie wymiaru o największej wariancji za pomocą scikit-learn PCA

Question

Potrzebuję użyć pca, aby zidentyfikować wymiary o największej wariancji określonego zestawu danych. Używam pca scikit-learning, aby to zrobić, ale nie mogę zidentyfikować na podstawie wyniku metody pca jakie składniki moich danych mają największą wariancję. Pamiętaj, że nie chcę eliminować tych wymiarów, tylko je identyfikować.

Moje dane są uporządkowane w postaci macierzy zawierającej 150 wierszy danych, z których każdy ma 4 wymiary. Robię się następująco:

pca = sklearn.decomposition.PCA() 
pca.fit(data_matrix) 

Kiedy drukować pca.explained_variance_ratio_, wyprowadza tablicę wskaźników wariancji zamówionych od najwyższego do najniższego, ale nie powiedzieć, które z danych wymiar odpowiadają one (Próbowałem zmienić kolejność kolumn na mojej macierzy, a wynikowa tablica współczynników wariancji była taka sama).

Drukowanie pca.components_ daje mi macierz 4x4 (zostawiłem oryginalną liczbę komponentów jako argument do PCA) z pewnymi wartościami nie mogę zrozumieć sens ... zgodnie z dokumentacją scikit za, powinny one być komponenty o maksymalnej wariancji (wektory własne być może?), ale bez znaku, do którego wymiaru odnoszą się te wartości.

Przekształcanie danych również nie pomaga, ponieważ wymiary są zmieniane w taki sposób, że nie wiem, który był pierwotnie.

Czy mogę uzyskać te informacje za pomocą pci scikita? Dzięki

Answer 1

Zwrócone wartości pca.explained_variance_ratio_ są odchyleniami od głównych komponentów. Możesz ich użyć, aby sprawdzić, ile wymiarów (komponentów) może być lepiej przetworzonych przez dane o firmie. Możesz użyć do tego progu (np. Zliczać, ile wariancji jest więcej niż 0,5, między innymi). Następnie można przekształcić dane według PCA, używając liczby wymiarów (komponentów), które są równe składnikom głównym wyższym niż zastosowany próg. Dane zredukowane do tych wymiarów różnią się od danych dotyczących wymiarów w oryginalnych danych.

można sprawdzić kod z tego linku:

http://scikit-learn.org/dev/tutorial/statistical_inference/unsupervised_learning.html#principal-component-analysis-pca