python多维数组怎么降维_ScikitLearn中的级联多维降维算法

Love The Way You Lie 2022-10-31 13:59 295阅读 0赞

数据集由两个二维矩阵X和Y，都有n行(测量数)和\{\}列描述每个度量的相应特征。从第一个矩阵我想得到核PCA分量。另外，使用cross-decomposition我想用PLS and CCA得到两个矩阵之间的线性关系。在

目标是使用管道为第一个矩阵的每一行n创建一个特征向量，该特征向量由它的核PCA分量和它分别在PLS和CCA找到的潜在空间上的投影组成。对于矩阵X的每一行，其特征向量由支持向量机在二值分类任务中进行分类，标签分别为train\_labels和\{\}。因此，Y矩阵仅用于计算X投影的联合潜空间。在

考虑到核主成分分析只适用于X\_列数据(第一个矩阵)，而PLS和CCA同时适用于X\_列和Y\_列(两个矩阵)，实现这一点的最佳方法是什么？在

我的代码到现在为止(不起作用)：n\_comp = 3

plsca = PLSCanonical(n\_components=n\_comp)

cca = CCA(n\_components=n\_comp)

kpca = KernelPCA(kernel="rbf", fit\_inverse\_transform=False, gamma=10, n\_components=n\_comp)

x\_tranf\_kpca = kpca.fit\_transform(X\_train)

svm = SVC(probability=True, class\_weight='balanced', tol=0.0001)

comb\_feat\_bna\_sg = FeatureUnion(\[('pls\_canonical', plsca), ('cca', cca)\])

x\_feats\_bna\_sg = comb\_feat\_bna\_sg.fit(X\_train, Y\_train).transform(X\_train)

pipe\_bna = Pipeline(\[('kpca', kpca)\])

pipe\_bna\_sg = Pipeline(\[("x\_feats\_bna\_sg", comb\_feat\_bna\_sg)\])

combined\_features = FeatureUnion(\[('bna', pipe\_bna), ('bna\_sg', pipe\_bna\_sg)\])

pipe = Pipeline(\[("features", combined\_features), ('standardscaler', StandardScaler(copy=True, with\_mean=True, with\_std=True)), ("svm", svm)\])

\# Parameters of pipelines can be set using ‘\_\_’ separated parameter names:

param\_pipe = dict(features\_\_bna\_sg\_\_x\_feats\_bna\_sg\_\_pls\_canonical\_\_n\_components=\[1, 2\],

features\_\_bna\_sg\_\_x\_feats\_bna\_sg\_\_cca\_\_n\_components=\[1, 2\],

features\_\_bna\_\_kpca\_\_n\_components=\[1, 2\],

svm\_\_kernel=\["rbf"\],

svm\_\_C=\[10\],

svm\_\_gamma=\[1e-2\]

)

clf = dcv.GridSearchCV(pipe, param\_pipe, cv=10)

clf.fit(X\_train, train\_labels)

y\_predict = clf.predict(X\_test)

编辑1

我认为这个错误与描述的here非常密切相关，答案是这样说的The answer to your question about using PLSSVD within a Pipeline in

cross\_val\_score, is no, it will not work out of the box, because the

Pipeline object calls fit and transform using both variables X and Y

as arguments if possible, which, as you can see in the code I wrote,

returns a tuple containing the projected X and Y values. The next step

in the pipeline will not be able to process this, because it will

think that this tuple is the new X.

我的异常堆栈跟踪：

^\{pr2\}$

编辑2

在为第一个矩阵(X)生成特征向量后，在流水线的最后一步，使用支持向量机将其分为两类。训练数据的标签可用作二进制向量train\_labels。在

发表评论取消回复

表情：

评论列表（有 0 条评论，295人围观）

还没有评论，来说两句吧...

相关阅读

相关 JS_js任意维度降一维，多维数组降一维数组，指定数组维度

数据类型不变方法 function flatAll(arr){ while (arr.some(Array.isArray)){

曾经终败给现在/ 2022年11月17日 05:19/ 0 赞/ 155 阅读

相关 python多维数组怎么降维_ScikitLearn中的级联多维降维算法

数据集由两个二维矩阵X和Y，都有n行(测量数)和\{\}列描述每个度量的相应特征。从第一个矩阵我想得到核PCA分量。另外，使用cross-decomposition我想用PLS

Love The Way You Lie/ 2022年10月31日 13:59/ 0 赞/ 296 阅读

相关 Python | 对多维数组进行降维

原数组 a = np.arange(20) 作用：生成等差数组，返回值为数组。而range函数返回值为list，列表。 print(a)

深藏阁楼爱情的钟/ 2022年10月18日 00:51/ 0 赞/ 124 阅读

相关 PCA降维算法

文章由两部分构成，第一部分主要讲解PCA算法的步骤，第二部分讲解PCA算法的原理。那么首先进入第一部分 \--PCA算法的步骤 --------------------

不念不忘少年蓝@/ 2022年08月07日 04:52/ 0 赞/ 188 阅读

相关降维算法学习

降维的动机首先,让我们谈论降维是什么。作为一种生动的例子,我们收集的数据集,有许多, 许多特征,我绘制两个在这里。 ![p1.png][] 假设我们未知两个的特征

分手后的思念是犯贱/ 2022年07月14日 14:55/ 0 赞/ 170 阅读

相关降维算法学习

降维的动机首先,让我们谈论降维是什么。作为一种生动的例子,我们收集的数据集,有许多, 许多特征,我绘制两个在这里。 ![p1.png][] 假设我们未知两个的特征

╰半夏微凉°/ 2022年07月14日 14:55/ 0 赞/ 158 阅读

相关数据降维

伴随ICT（通信与信息技术）和互联网技术的不断发展与更新，人们收集和获得数据的能力越来越强。而这些数据已呈现出维数高、规模大和结构复杂等特性。如何利用这些数据，发挥其价值，引起

今天药忘吃喽~/ 2022年06月01日 04:08/ 0 赞/ 236 阅读

相关图片的二维数组转一维数组降维

> 我这里用的是python3，网上的其他的版本全是自己写的通过两个for循环，但是这样效率低，可移植性低，复用率低。首先python中有`numpy`来专门用于处理

男娘i/ 2022年05月19日 10:55/ 0 赞/ 254 阅读

相关使用python实现多维数据降维

一，首先介绍下多维列表的降维 def flatten(a): for each in a: if not isinstance

女爷i/ 2022年04月15日 03:44/ 0 赞/ 234 阅读

相关降维算法一览

在机器学习中经常会碰到一些高维的数据集，而在高维数据情形下会出现数据样本稀疏，距离计算等困难，这类问题是所有机器学习方法共同面临的严重问题，称之为 “ 维度灾难 ”。另外在高维

太过爱你忘了你带给我的痛/ 2022年01月07日 11:55/ 0 赞/ 306 阅读