如何从 scikit-learn 线性判别分析对象中获取变化基矩阵?
对于形状为 m x p
的数组 X
(m
样本和 p
特征)和 N
类,缩放矩阵有 p
行和 N-1
列。该矩阵可用于将数据从原始空间变换到线性子空间。
艾莉亚回答后编辑:
让我们考虑以下示例:
from sklearn.datasets import make_blobs
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA
X, label = make_blobs(n_samples=100, n_features=2, centers=5, cluster_std=0.10, random_state=0)
lda = LDA()
Xlda = lda.fit(X, label)
Xlda.scalings_
#array([[ 7.35157288, 6.76874473],
# [-6.45391558, 7.97604449]])
Xlda.scalings_.shape
#(2, 2)
我希望scalings_矩阵形状为(2,4),因为我有2个特征,并且LDA将提供5-1个分量。
最佳答案
让我们将您的 LinearDiscriminantAnalysis
对象命名为 lda
。您可以通过 lda.scalings_
访问缩放矩阵。描述这一点的文档显示为 here .
import sklearn.datasets as ds
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA
iris = ds.load_iris()
iris.data.shape
# (150, 4)
len(iris.target_names)
# 3
lda = LDA()
lda.fit(iris.data, iris.target)
lda.scalings_
# array([[-0.81926852, 0.03285975],
# [-1.5478732 , 2.15471106],
# [ 2.18494056, -0.93024679],
# [ 2.85385002, 2.8060046 ]])
lda.scalings_.shape
# (4, 2)
关于scikit-learn - 如何使用 scikit-learn 从线性判别分析中获取特征向量,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44078682/