如何使用PCA和scikit-learn进行归一化

Question

我来简单说一下。基本上我想知道的是：我应该这样做，

pca.fit(normalize(x))
new=pca.transform(normalize(x))

还是这样做

pca.fit(normalize(x))
new=pca.transform(x)

我知道在使用PCA之前，我们应该先对数据进行标准化，但上面这两种做法，哪一种在sklearn中是正确的呢？

Answer 1

一般来说，你会想选择第一个选项。

你的数据标准化是把数据放到一个新的空间里，而PCA（主成分分析）会在这个新空间里工作，它的转换基本上是期待数据在同一个空间里。

Scikit-learn提供了一些工具，可以方便地通过将不同的处理步骤串联在一起，来实现这一点。你可以试试：

from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.pipeline import Pipeline

import numpy as np

data = np.random.randn(20, 40)

pipeline = Pipeline([('scaling', StandardScaler()), ('pca', PCA(n_components=5))])

pipeline.fit_transform(data)

这样，前面的缩放器会在数据送到PCA对象之前，始终对数据进行处理。

正如@larsmans提到的，你可能想用sklearn.preprocessing.Normalizer来代替StandardScaler，或者类似地，通过传递参数with_mean=False来去掉StandardScaler中的均值中心化处理。