Discussion :

[Fanuilos]

Bonjour,

Je pense que j'utilise mal les fonctions PCA de scikit-learn, et je ne comprends pas pourquoi. Par exemple, lorsque je cherche à réduire la dimmensionnalité de 100 vecteurs de dimension 10000 à une dimension de 256:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
import numpy as np
import sklearn.decomposition as deco
M = np.random.ranf((100,10000))
PC = deco.PCA(n_components=256)
PC.fit(M)

Je m'attends donc à ce que, si j'applique la PCA définie par PC sur un nouveau vecteur 1x10000, j'aurai un vecteur de 1x256. Or,

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

PC.transform(M).shape

vaut (100,100)

Au lieu de réduire la dimmensionalité à 256, elle a été réduite à 100, alors que j'a précisé n_components=256.

Pourriez-vous m'aider?

Merci :-)

[shaiHulud]

Bonjour,

Le problème est mathématique et non informatique. le rang d'une matrice [100,10000] est inférieur à 100, dès lors les valeurs propres sont nulles après la 100eme et n'importe quelle base de diagonalisation est arbitraire dans ce sous-espace ou la matrice s’annule.

Tu peux toujours t'amuser à sélectionner 156 vecteurs arbitraires, orthonormés et dans l'orthogonal aux cent 1ers vecteurs renvoyés.