回答編集履歴
5
typoの修正
answer
CHANGED
|
@@ -74,7 +74,7 @@
|
|
|
74
74
|
```
|
|
75
75
|
np.newaxisは次元を1つ追加しますので
|
|
76
76
|
```python
|
|
77
|
-
explained_variance_[:, np.newaxis] == (P, 1)
|
|
77
|
+
explained_variance_[:, np.newaxis].shape == (P, 1)
|
|
78
78
|
```
|
|
79
79
|
と2次元配列になります。要素数P個は変わりません。
|
|
80
80
|
|
4
質問に答えていなかったため追記
answer
CHANGED
|
@@ -1,3 +1,5 @@
|
|
|
1
|
+
#### PCA.inverse_transform()の動作
|
|
2
|
+
|
|
1
3
|
PCA.transform()は主成分(分散の大きな軸)を見つけてそれを主軸とするような変換を行います。変換された値に対してPCA.inverse_transform()を行うと、元の変換される前の値を返します。
|
|
2
4
|
|
|
3
5
|
例として2次元平面上での理想的な楕円をPCA.transform()を行うとどうなるか、そしてさらに変換された値にPCA.inverse_transform()を行うとどうなるかを示します。
|
|
@@ -44,4 +46,49 @@
|
|
|
44
46
|
main()
|
|
45
47
|
```
|
|
46
48
|
|
|
47
|
-
|
|
49
|
+
|
|
50
|
+
|
|
51
|
+
#### 低次元から高次元へ戻る仕組み
|
|
52
|
+
|
|
53
|
+
簡単に言うと、N個のデータ、M個の特徴量に対してP次元のPCAを適用した場合
|
|
54
|
+
|
|
55
|
+
(N x P) = (N x M) (M x P) # (変換後) = (変換前) (変換行列)
|
|
56
|
+
|
|
57
|
+
となっています。変換行列(M x P)を覚えておいて、inverse_transform()する際には
|
|
58
|
+
|
|
59
|
+
(N x M) = (N x P) (P x M) # (変換前) = (変換後) (変換行列の転置行列)
|
|
60
|
+
|
|
61
|
+
を行っているだけです。
|
|
62
|
+
|
|
63
|
+
ソースコードの方を参照されているので詳しく説明します。入力データX0のデータ数をN, 特徴量の数をMとすると
|
|
64
|
+
```python
|
|
65
|
+
X0.shape == (N, M)
|
|
66
|
+
```
|
|
67
|
+
です。これにPCAの要素数をPとすると、pca.transform()後のX1は
|
|
68
|
+
```python
|
|
69
|
+
X1.shape == (N, P)
|
|
70
|
+
```
|
|
71
|
+
となります。このときPCAの内部ではfit()時に各々分散を計算して大きい順にP個保持しています。
|
|
72
|
+
```python
|
|
73
|
+
explained_variance_.shape == (P, ) # 1次元配列
|
|
74
|
+
```
|
|
75
|
+
np.newaxisは次元を1つ追加しますので
|
|
76
|
+
```python
|
|
77
|
+
explained_variance_[:, np.newaxis] == (P, 1)
|
|
78
|
+
```
|
|
79
|
+
と2次元配列になります。要素数P個は変わりません。
|
|
80
|
+
|
|
81
|
+
また主成分の係数`components_`は
|
|
82
|
+
```python
|
|
83
|
+
components_.shape == (P, M)
|
|
84
|
+
```
|
|
85
|
+
になっています。この2つを掛け算すると
|
|
86
|
+
```python
|
|
87
|
+
(explained_variance_[:, np.newaxis] * components_).shape == (P, M)
|
|
88
|
+
```
|
|
89
|
+
となります。これはP個の分散の値をcomponents_の各行に掛け算しています。
|
|
90
|
+
np.sqrt()は次元を変えませんので、最終的に
|
|
91
|
+
```
|
|
92
|
+
np.dot(X, np.sqrt(self.explained_variance_[:, np.newaxis])
|
|
93
|
+
```
|
|
94
|
+
を計算することができます。Xは次元が減ったX1.shape == (N, P)のことですので、内積は(N, P) . (P, M) となり、演算結果の行列は(N, M)となります。
|
3
typoの修正
answer
CHANGED
|
@@ -1,4 +1,4 @@
|
|
|
1
|
-
PCA.transform()は主成分(分散の大きな軸)を見つけてそれを主軸とするような変換を行います。変換された値に対してPCA.inverse_transform()を行うと、元の
|
|
1
|
+
PCA.transform()は主成分(分散の大きな軸)を見つけてそれを主軸とするような変換を行います。変換された値に対してPCA.inverse_transform()を行うと、元の変換される前の値を返します。
|
|
2
2
|
|
|
3
3
|
例として2次元平面上での理想的な楕円をPCA.transform()を行うとどうなるか、そしてさらに変換された値にPCA.inverse_transform()を行うとどうなるかを示します。
|
|
4
4
|
|
2
回転とも少し違う、どちらかと言えば投影のが近い
answer
CHANGED
|
@@ -1,4 +1,4 @@
|
|
|
1
|
-
PCA.transform()は主成分(分散の大きな軸)を見つけて軸を
|
|
1
|
+
PCA.transform()は主成分(分散の大きな軸)を見つけてそれを主軸とするような変換を行います。変換された値に対してPCA.inverse_transform()を行うと、元の回転される前の値を返します。
|
|
2
2
|
|
|
3
3
|
例として2次元平面上での理想的な楕円をPCA.transform()を行うとどうなるか、そしてさらに変換された値にPCA.inverse_transform()を行うとどうなるかを示します。
|
|
4
4
|
|
1
正規化ではなく回転に修正
answer
CHANGED
|
@@ -1,4 +1,4 @@
|
|
|
1
|
-
PCA.transform()は主成分(分散の大きな軸)を見つけて
|
|
1
|
+
PCA.transform()は主成分(分散の大きな軸)を見つけて軸を回転した値を返します。回転された値に対してPCA.inverse_transform()を行うと、元の回転される前の値を返します。
|
|
2
2
|
|
|
3
3
|
例として2次元平面上での理想的な楕円をPCA.transform()を行うとどうなるか、そしてさらに変換された値にPCA.inverse_transform()を行うとどうなるかを示します。
|
|
4
4
|
|