华为云AI开发平台ModelArts主成分分析_云淘科技
概述
主成分分析（Principal Components Analysis，PCA）是统计分析中简化数据集的一种算法，常用于减少数据集的维数，同时保持数据集中对方差贡献最大的特征。该算法主要通过对原始数据矩阵进行奇异值分解（Singular Value Decomposition，SVD），以得出数据的主成分（即特征向量），应用场景主要为高维数据降维等。
输入
|
参数 |
子参数 |
参数说明 |
|---|---|---|
|
inputs |
dataframe |
inputs为字典类型，dataframe为pyspark中的DataFrame类型对象 |
输出
数据集
参数说明
|
参数 |
子参数 |
参数说明 |
|---|---|---|
|
input_features_str |
– |
输入的特征列名以逗号分隔组成的格式化字符串，例如: “column_a” “column_a,column_b” |
|
pca_input_features_col |
– |
输入的特征向量列名，默认为”pca_input_features” |
|
pca_output_vector_col |
– |
输出的特征向量列名，默认为”pca_output_features” |
|
k |
– |
主成分的维度数 |
样例
inputs = {
"dataframe": None # @input {"label":"dataframe","type":"DataFrame"}
}
params = {
"inputs": inputs,
"b_output_action": True,
"b_use_default_encoder": True,
"input_features_str": "", # @param {"label":"input_features_str","type":"string","required":"false","helpTip":""}
"outer_pipeline_stages": None,
"pca_input_features_col": "pca_input_features", # @param {"label":"pca_input_features_col","type":"string","required":"true","helpTip":""}
"pca_output_vector_col": "pca_output_features", # @param {"label":"pca_output_vector_col","type":"string","required":"true","helpTip":""}
"k": 5 # @param {"label":"k","type":"integer","required":"true","range":"(0,2147483647]","helpTip":"k"}
}
pca____id___ = MLSPCA(**params)
pca____id___.run()
# @output {"label":"dataframe","name":"pca____id___.get_outputs()['output_port_1']","type":"DataFrame"}
父主题： 特征工程
同意关联代理商云淘科技，购买华为云产品更优惠（QQ 78315851）
内容没看懂？ 不太想学习？想快速解决？ 有偿解决： 联系专家
