使用 PCA 将数据减少到一维 [关闭]答案

【问题标题】：Reducing data to one dimension using PCA [closed]使用 PCA 将数据减少到一维 [关闭]
【发布时间】：2021-12-21 22:42:01
【问题描述】：

数据的维度可以降到只有一个主成分吗？

我在鸢尾花数据集上试过-

from sklearn.decomposition import PCA
import pandas as pd
import matplotlib.pyplot as plt

pca = PCA(n_components=1)
pca_X = pca.fit_transform(X)   #X = standardized iris data

pca_df = pd.DataFrame(pca_X, columns=["PCA1"])

plt.plot(pca_df["PCA1"], "o")

我们可以看到三个不同的集群。那么to维度可以降到1吗？

【问题讨论】：

检查this article
pca_df 已经是一维了
请发一个完整 minimal reproducible example（包括数据的导入和规范化），因为你使用的是iris数据集，所以应该很简单；另外，不清楚为什么您认为集群的数量与维度/组件的数量有关。
这是数据科学问题。

标签： python machine-learning scikit-learn pca

【解决方案1】：

您可以选择使用 PCA 将维度减少到 1，它唯一承诺的是所得主成分在数据中方差最大的方向。

如果您正在减少维度以改进分类，您可以使用线性判别分析，它为您提供类之间最大分离的方向。

【讨论】：

【解决方案2】：

是的，维度可以减少到 1，这正是您在示例中所做的。

图中的 y 轴显示每个观察值相对于第一个主成分的坐标。

三个簇很可能与鸢尾花数据集中的三个物种有关，与成分的数量无关。

【讨论】：