Orange3和scikit-learn中的PCA-有什么区别？

问题描述

我有点困惑：我计算了同一数据集的PCA。这是工作流程：

• 橙色3.26：读取.csv，4台PC上的PCA（标准化变量），散点图
• scikit-learn：读取相同的.csv，标准化数值(StandardScaler(with_mean=True,with_std=True)),PCA (copy=True,iterated_power='auto',n_components=4,random_state=None,svd_solver='auto',tol=0.0,whiten=False)

结果与单个PC的数值不同：

橙色3.26：

scikit学习：

这是我的scikit-learn-fu代码：

我有一个pd.DataFrame，形状为（268,16）。第一步，我将数据帧分成两个daframe：

• A1：包含所有行和所有要素；形状（268，13）
• B1：包含目标和每一行的ID；形状（268,3）

下一步，我使用sklearn.preprocessing的StandardScaler标准化数据帧A1：

a1 = StandardScaler(with_mean=True,with_std=True).fit_transform(A1)

下一步是PCA：

pca1 = PCA(n_components=4)
principalComponents1 = pca1.fit_transform(a1)

输出是得分和负荷-没什么特别的。

也许初始数据集的归一化有所不同？ 有什么建议吗？

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）