问题描述
嗨，我有1200个数组和（92，144）大小的训练数据，每个数组的范围从-2.5到2.5。我想通过应用PCA压缩每个单独的数组的大小。所以我将阵列展平，这就是我得到的训练数据（1200，13248）。但是问题是与阵列大小相比，我的训练样本数量更少。当我使用95％方差时，它仅使用90个分量，得到的形状为（1200，90），而当我对其进行逆变换以恢复原始形状时，我得到的结果非常好。我将其与使用RMSE的原始数组进行了比较，RMSE的价值较小。因此，我只想知道即使使用较少的样本还是使用PCA压缩数据还是值得的，还是我应该制作更多重复的样本然后再进行处理。反转后结果很好，所以我不确定我做错了什么。
这是我的PCA代码：
Light Content这是我用于检查RMSE的代码
from sklearn.decomposition import PCA
pca = PCA(.95)
lower_dimensional_data = pca.fit_transform(np.array(a)) # a is training data of shape (1200,13248)
lower_dimensional_data.shape #output (1200,90)
approximation = pca.inverse_transform(lower_dimensional_data)
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@）