我可以使用 PCA 进行降维，然后将其 o/p 用于一个 class SVM classifier in python
can I use PCA for dimensionality reduction and then use its o/p for one class SVM classifier in python
我想使用 PCA 进行降维，然后将它的 o/p 用于一个 class SVM classifier in python。我的训练数据集是 16000x60 量级。还有如何将主成分映射到原始列以在 SVM 中使用它，或者我可以直接使用主成分吗？
不清楚问题出在哪里以及您已经尝试了什么。当然可以。您可以将 PCA 输出添加到您的原始集或仅将输出用作单个特征。我鼓励您使用 sklearn 管道。
简单示例：
from sklearn import decomposition, datasets
from sklearn.pipeline import Pipeline
from sklearn import svm
svc = svm.SVC()
pca = decomposition.PCA()
pipe = Pipeline(steps=[('pca', pca), ('svc', svc)])
digits = datasets.load_digits()
X_digits = digits.data
y_digits = digits.target
pipe.fit(X_digits, y_digits)
print(pipe.score(X_digits,y_digits))
我想使用 PCA 进行降维，然后将它的 o/p 用于一个 class SVM classifier in python。我的训练数据集是 16000x60 量级。还有如何将主成分映射到原始列以在 SVM 中使用它，或者我可以直接使用主成分吗？
不清楚问题出在哪里以及您已经尝试了什么。当然可以。您可以将 PCA 输出添加到您的原始集或仅将输出用作单个特征。我鼓励您使用 sklearn 管道。
简单示例：
from sklearn import decomposition, datasets
from sklearn.pipeline import Pipeline
from sklearn import svm
svc = svm.SVC()
pca = decomposition.PCA()
pipe = Pipeline(steps=[('pca', pca), ('svc', svc)])
digits = datasets.load_digits()
X_digits = digits.data
y_digits = digits.target
pipe.fit(X_digits, y_digits)
print(pipe.score(X_digits,y_digits))