Sklearn PCA 是 pca.components_ 的载荷？
Sklearn PCA is pca.components_ the loadings?
Sklearn PCA 是 pca.components_ 加载？我很确定是这样，但我正在尝试遵循一篇研究论文，但我从他们的加载中得到了不同的结果。我在 sklearn 文档中找不到它。
pca.components_ 是您将数据投影到的 space 的正交基。它的形状为 (n_components, n_features)。如果您只想保留具有 100 个样本和 50 个维度（也称为特征）的数据集的前 3 个组件（例如，做 3D 散点图），pca.components_ 的形状将是 (3, 50)。
我认为你所说的 "loadings" 是每个样本投影到由分量跨越的向量 space 中的结果。这些可以通过在调用 pca.fit(X_train) 之后调用 pca.transform(X_train) 来获得。结果将具有 (n_samples, n_components) 的形状，对于我们之前的示例，即 (100, 3)。
这个之前的答案大部分是正确的，除了负载。 components_ 实际上是负载，正如提问者最初所说的那样。 fit_transform 函数的结果将为您提供主成分（transformed/reduced 矩阵）。
Sklearn PCA 是 pca.components_ 加载？我很确定是这样，但我正在尝试遵循一篇研究论文，但我从他们的加载中得到了不同的结果。我在 sklearn 文档中找不到它。
pca.components_ 是您将数据投影到的 space 的正交基。它的形状为 (n_components, n_features)。如果您只想保留具有 100 个样本和 50 个维度（也称为特征）的数据集的前 3 个组件（例如，做 3D 散点图），pca.components_ 的形状将是 (3, 50)。
我认为你所说的 "loadings" 是每个样本投影到由分量跨越的向量 space 中的结果。这些可以通过在调用 pca.fit(X_train) 之后调用 pca.transform(X_train) 来获得。结果将具有 (n_samples, n_components) 的形状，对于我们之前的示例，即 (100, 3)。
这个之前的答案大部分是正确的，除了负载。 components_ 实际上是负载，正如提问者最初所说的那样。 fit_transform 函数的结果将为您提供主成分（transformed/reduced 矩阵）。