解释 PCA 向量 WEKA答案

【问题标题】：Interpreting the PCA Vector WEKA解释 PCA 向量 WEKA
【发布时间】：2015-08-21 08:18:19
【问题描述】：

我在 WEKA 资源管理器中完成了选择属性 PCA，但我在解释输出时遇到了麻烦，因为新的属性输出向量加起来不等于 1。

我的理解是，给定一些属性，PCA 应该返回一个较小的子集，该子集被定义为结合旧属性的新属性（例如，给定属性 A、B、C，PCA 应该返回一个新的属性向量 0,25A+ 0,5B+0,25C)。

但我得到的是：

-0.1669A +0.542B -0.4038C +0.4344D -0.3698E -0.3523F +0.0329G +0.0797H +0.4103I +0.4252J

如果将其视为绝对值，则总和为 0.6317（带负号）或 2.8835。有什么想法吗？

【问题讨论】：

【解决方案1】：

加权因子的总和不必为 1，因为最终结果没有概率维度。权重因子是所谓的“相似性/贡献”因子。因此，特征向量具有负权重是完全正常的，因为它对最终结果没有“贡献”。

我建议你看看以下内容：

我认为从特征脸进行人脸识别/重建是 PCA 分析的一个很好的例子，因为您可以直观地了解特征向量是“什么”以及如何使用它

负权重的一个很好的例子如下：

如果数据集中的一些人戴着眼镜，这个特征将在一个或多个特征面上得到更强烈的表现。为了构建不戴眼镜的人的脸，这些特征脸与戴眼镜的人高度无关（可能具有较小或负的权重）并且与戴眼镜的人密切相关。

如果你看更多的例子，我相信你会明白的！

【讨论】：

【解决方案2】：

PCA 可以包含比例因子。

这可能是更常见的情况。

【讨论】：