如何在 pyspark 中获取每个 PCA 组件的解释方差

Question

据我所知，pyspark 提供的 PCA API 如：

from pyspark.ml.feature import PCA
pca = PCA(k=3, inputCol="features", outputCol="pcaFeatures")
model = pca.fit(data_frame)

然而在现实中，我发现解释方差比的使用更为广泛。例如，在 sklearn 中：

from sklearn.decomposition import PCA
pca_fitter = PCA(n_components=0.85)

有谁知道如何在 pyspark 中实现解释方差比？谢谢！

Answer 1

从 Spark 2.0 开始，PCAModel 包含一个 explainedVariance 方法；来自 docs:

explainedVariance

Returns a vector of proportions of variance explained by each principal component.

New in version 2.0.0.

这是一个包含 k=2 主成分和玩具数据的示例，改编自 documentation:

spark.version
# u'2.2.0'

from pyspark.ml.linalg import Vectors
from pyspark.ml.feature import PCA

data = [(Vectors.sparse(5, [(1, 1.0), (3, 7.0)]),),
...     (Vectors.dense([2.0, 0.0, 3.0, 4.0, 5.0]),),
...     (Vectors.dense([4.0, 0.0, 0.0, 6.0, 7.0]),)]

df = spark.createDataFrame(data,["features"])
pca = PCA(k=2, inputCol="features", outputCol="pca_features")
model = pca.fit(df)

model.explainedVariance
# DenseVector([0.7944, 0.2056])

即从我们的 k=2 主成分中，第一个解释了 79.44% 的方差，而第二个解释了剩余的 20.56%。

如何在 pyspark 中获取每个 PCA 组件的解释方差

How to get explained variance per PCA component in pyspark

pca

pyspark

apache-spark-ml