采纳答案成功!
向帮助你的同学说点啥吧!感谢那些助人为乐的人
波波老师您好, 学习梯度上升法求解PCA时,通过Xproject = X*w, 此处可以直接得到特征向量w, 但计算过程中并没有求解特征值,那我们如何求解w对应的方差贡献率呢?
这个课程中的方法,求解不出贡献率。所以在课程后续,我在讲解具体使用sklearn中的PCA接口的时候,直接使用了sklearn中PCA的构造方法提供的方式,用贡献率来确定主成分,我们自己没有实现。
这门课程没有介绍这个PCA问题的数学解,可以参考这里:http://coding.imooc.com/learn/questiondetail/116664.html
继续加油!:)
那么请问我们怎么判断梯度上升法求解PCA的降维效果呢?或者怎么“控制”它的降维效果?(例如:方差贡献率可以控制它保存 m%的数据,从而选择保留前n个主成成分)
使用梯度上升法,判断不出来贡献率。这一章后面介绍sklearn的PCA接口介绍了,有两种决定降多少维的方式,一种用户根据计算性能直接指定降至k维,一种按照贡献率,保留贡献率半分之多少的维度。梯度上升法只能做到第一点。
好的,谢谢波波老师!
登录后可查看更多问答,登录/注册
Python3+sklearn,兼顾原理、算法底层实现和框架使用。
2.5k 19
3.5k 17
2.9k 15
1.6k 15
1.4k 14