python - 为什么 Sklearn PCA 需要比新功能(n_components)更多的样本？

Question

像这样使用 Sklearn PCA 算法时

x_orig = np.random.choice([0,1],(4,25),replace = True)
pca = PCA(n_components=15)
pca.fit_transform(x_orig).shape

我得到输出

(4, 4)

我期望(希望)它是:

(4,15)

我明白为什么会这样。在 sklearn ( here) 的文档中它说(假设他们的'=='是赋值运算符):

n_components == min(n_samples, n_features)

但他们为什么要这样做？ 另外，如何将形状为 [1,25] 的输入直接转换为 [1,10](无需堆叠虚拟数组)？

Answer 1

每个主成分是数据在数据协方差矩阵的特征向量上的投影。如果样本 n 少于特征，则协方差矩阵只有 n 个非零特征值。因此，只有 n 个有意义的特征向量/分量。

原则上，成分可能比样本多，但多余的成分将是无用的噪音。

Scikit-learn 会引发错误，而不是默默地做任何事情。这可以防止用户搬起石头砸自己的脚。样本少于特征可能表明数据有问题，或者对所涉及的方法有误解。