У меня есть некоторые точки данных с 3 координатами, и с помощью функции PCA я преобразовал их в точки, имеющие 2 координаты, сделав это.
import numpy as np
from sklearn.decomposition import PCA
X = np.array([[-1, -1, -3], [-2, -1, -1], [-3, -2, -2], [1, 1, 1], [2, 1, 5], [3, 2, 6]]) #data
pca = PCA(n_components=2)
pca.fit(X)
PCA(copy=True, n_components=2, whiten=False)
XT = pca.fit_transform(X)
print XT
#output obtained
#[[-4.04510516 -1.24556106]
#[-2.92607624 0.61239898]
#[-4.55000611 1.13825234]
#[ 0.81687144 -1.11632484]
#[ 4.5401931 0.56854397]
#[ 6.16412297 0.04269061]]
Я получил главные оси в пространстве признаков, представляющие направления максимальной дисперсии данных с использованием атрибута 'components_'
W = (pca.components_)
print W
# output obtained
#[[ 0.49508794 0.3217835 0.80705843]
# [-0.67701709 -0.43930775 0.59047148]]
Теперь я хотел спроецировать первую точку [-1, -1, -3] (которая является первой точкой в X) на 2D-подпространство, используя атрибут 'components_', выполнив это
projectedXT_0 = np.dot(W,X[0])
print projectedXT_0
#output obtained
#[-3.23804673 -0.65508959]
#expected output
#[-4.04510516 -1.24556106]
Я не получаю того, что ожидал, поэтому, очевидно, я делаю что-то неправильно при вычислении ProjectedPoint с использованием атрибута «components_». Пожалуйста, продемонстрируйте использование атрибута 'components_' для получения проекции точки.
ПРИМЕЧАНИЕ. Я знаю, что это делает функция «преобразования», но я хочу использовать атрибут «components_».