PCAの分散が最も大きいコンポーネントの選択

Question

トレーニングに必要な膨大なデータセット（32000 * 2500）があります。これは私の分類子にはあまりにも多いようです。そのため、私は次元削減と特にPCAについての読書をすることにしました。

私の理解から、PCAは現在のデータを選択し、別の（x、y）ドメイン/スケールでそれらを再現します。これらの新しい座標は何も意味するものではありませんが、データを再配置して1つの軸に最大の変化を与えます。これらの新しい係数の後、最小変動を持つcooeffを落とすことができます。

これをMatLabで実装しようとしていますが、出力に問題があります。 MatLabは、行を観測値と列として常に変数とみなします。したがって、pca関数への私の入り口は、サイズ(32000*2500)の私の行列になります。これは、サイズが2500*2500の出力行列のPCA係数を返します。

PCA状態のヘルプ：

COEFFの各列は、一の主面 成分の係数を含み、列は、成分 分散の降順です。

この出力では、どの次元が私のデータの観測値ですか？私はこれを分類器に渡さなければならないのですが、coeffの行は私のデータの観測値を表していますか、今はcoeffの列ですか？

そして、バリエーションの最も少ない係数を削除するにはどうすればよいですか？

Answer 1

（免責事項：私はscipyのダウンロードするには、MATLABから切り替えるので、それは長い時間がかかったが、原則は同じです。）

あなたがの寸法を小さくするために、その後

svd function

[U,S,V] = svd(X) 

を使用している場合 X〜 kの場合は、最初の kの列に Vを掛けます。 MathWorks社のMATLABで、私はそれが

X * V(:, 1: k); 

---

だ推測している理論のためElements of Statistical Learningを参照してください。