Python sklearn IncrementalPCA.transform用法及代码示例

本文简要介绍python语言中 sklearn.decomposition.IncrementalPCA.transform 的用法。

用法: transform(X)

对 X 应用降维。

如果 X 是稀疏的，则使用大小为 batch_size 的小批量将 X 投影到先前从训练集中提取的第一个主成分上。

参数：

X：{类数组，稀疏矩阵}，形状为 (n_samples, n_features): 新数据，其中n_samples是样本数，n_features是特征数。

X_new：ndarray 形状(n_samples，n_components): X 在第一主成分中的投影。

例子：

>>> import numpy as np
>>> from sklearn.decomposition import IncrementalPCA
>>> X = np.array([[-1, -1], [-2, -1], [-3, -2],
...               [1, 1], [2, 1], [3, 2]])
>>> ipca = IncrementalPCA(n_components=2, batch_size=3)
>>> ipca.fit(X)
IncrementalPCA(batch_size=3, n_components=2)
>>> ipca.transform(X)

相关用法

注：本文由纯净天空筛选整理自scikit-learn.org大神的英文原创作品 sklearn.decomposition.IncrementalPCA.transform。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

例子：