2024-04-25 21:50:00 发布
网友
我现在试着用PCA做一些实验,但对我来说,知道每个特征值的特征是什么是非常重要的。在
numpy.linalg.eig给出了已经排序的对角矩阵,但是我希望这个矩阵和它们在原始位置。有人知道我怎么做吗?在
numpy.linalg.eig
斯文在评论中提到的是正确的。特征值没有“默认”排序。每一个特征值都与一个特征向量相关联,重要的是特征值特征向量对的正确匹配。你会发现所有的语言和软件包都会这样做。在
所以如果R给你特征值[e1,e2,e3和特征向量{},python可能会给你[e3,e2,e1]和{}。在
[e1,e2,e3
[e3,e2,e1]
回想一下,特征值告诉你数据中的方差有多少是由与其相关联的特征向量解释的。所以,在PCA中有用的特征值的自然排序(对我们来说是直观的)是按大小(升序或降序)排序的。这样,你就可以很容易地查看特征值并确定哪些特征值应该保留(大的,因为它们解释了大多数数据)和哪些特征值(小的,可能是高频特征或只是噪声)
(不是答案,但我需要此评论的高级格式。)
你必须指定你想要什么样的订单。E、 这个矩阵的特征值
/ 0 1 \ A = | | \ 1 0 /
是+1和{},对应于特征向量{}和{}。你希望这些特征值如何排序,为什么?在
+1
斯文在评论中提到的是正确的。特征值没有“默认”排序。每一个特征值都与一个特征向量相关联,重要的是特征值特征向量对的正确匹配。你会发现所有的语言和软件包都会这样做。在
所以如果R给你特征值},python可能会给你}。在
[e1,e2,e3
和特征向量{[e3,e2,e1]
和{回想一下,特征值告诉你数据中的方差有多少是由与其相关联的特征向量解释的。所以,在PCA中有用的特征值的自然排序(对我们来说是直观的)是按大小(升序或降序)排序的。这样,你就可以很容易地查看特征值并确定哪些特征值应该保留(大的,因为它们解释了大多数数据)和哪些特征值(小的,可能是高频特征或只是噪声)
(不是答案,但我需要此评论的高级格式。)
你必须指定你想要什么样的订单。E、 这个矩阵的特征值
是},对应于特征向量{}和{}。你希望这些特征值如何排序,为什么?在
+1
和{相关问题 更多 >
编程相关推荐