sklearn中使用pca.components还原和转换矩阵

简介

在经过sklearn.decomposition.PCA的transform()方法转换后，我们可以轻松得到原始数据转换后（降维）的矩阵，inverse_transform(X)方法可以让我们把转换后的矩阵变回为转换前的矩阵。但是我们无法知晓中间的过程，也就意味着我们无法轻松的移植到其他平台上。好在pca类提供了pca.componets_属性，可以帮助我们使用矩阵运算手写转换。

代码示例

from sklearn.decomposition import PCA
df_X = df.drop(columns=['Name','Time'])
pca = PCA(n_components=3)
df_X_pca = pca.fit_transform(df_X)

在这个例子中呢，我们的df_X的shape是（181,16），也就是有16个维度，我们的PCA选取了前三个维度，包含了90%的变异解释率，所以转换后得到的df_X_pca的shape是（181,3）。
接下来我们打印出pca.componets_并保存

comp = pca.components_
print(comp)

后面太长就不放了，comp的维度是（3,16）。

一.如果我们要把原矩阵转化为transform后的矩阵，只需要：

df_X_M = df_X - df_X.mean()
np.dot(df_X_M,np.linalg.pinv(comp))

先是减去各列的均值，再使该矩阵和comp的逆矩阵（此处因为不是方阵，所以用pinv方法求伪逆矩阵）相乘。

就可以得到和transform一模一样的转换后的结果。
二.把转换后的矩阵还原，是以上的逆过程：

np.matmul(df_X_pca,comp) + df_X.mean()

这个转换后的结果和原来有一点误差，因为你已经降维了，如果维度数小于原来的维度，是不能100%还原的。