我正在使用 scikit-learn 进行全基因组关联研究，其特征向量约为 100K SNP。我的目标是告诉生物学家哪些 SNP 是“有趣的”。
RandomizedPCA确实改进了我的模型，但我无法解释结果。scikit-learn 可以告诉我每个组件中使用了哪些功能吗？
在 scikit-learn 中解释随机 PCA 的结果
数据挖掘
特征选择
scikit-学习
主成分分析
随机算法
2021-10-01 15:40:39
1个回答
是的，通过components_物业：
import numpy, seaborn, pandas, sklearn.decomposition
data = numpy.random.randn(1000, 3) @ numpy.random.randn(3,3)
seaborn.pairplot(pandas.DataFrame(data, columns=['x', 'y', 'z']));
sklearn.decomposition.RandomizedPCA().fit(data).components_
> array([[ 0.43929754, 0.81097276, 0.38644644],
[-0.54977152, 0.58291122, -0.59830243],
[ 0.71047094, -0.05037554, -0.70192119]])
sklearn.decomposition.RandomizedPCA(2).fit(data).components_
> array([[ 0.43929754, 0.81097276, 0.38644644],
[-0.54977152, 0.58291122, -0.59830243]])
我们看到截断分解只是完全分解的截断。每行包含相应主成分的系数。
其它你可能感兴趣的问题