如何用PCA进行预测
我已经能够计算我的数据样本（维度 M 的 N 个样本）的特征向量/值，并且我想将维度减少到 3。如果我是正确的，我需要选择前 3 个特征向量（具有最大特征值） ）。
来自这 3 台 PC 和对新样本的观察（在原始基础上）（现在仅查看 3 个维度）。
我如何预测 M-3 的其他值是什么？
I have been able to calculate the eigenvectors/values of my data sample (N samples of dimension M) and I would like to reduce the dimension to say 3. If i am correct i need to choose the first 3 eigenvectors ( with the biggest eigenvalues ).
From these 3 PCs and from an observation (in the original basis) of a new sample ( looking now at 3 dimensions only ).
How can i predict what will be the M-3 other values?
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（1）
是的，通过使用模型中 x 个最重要的组件，您可以将维度从 M 降低到 x
如果您想预测 - 即您有一个 Y（或多个 Y），您需要使用 PLS 而不是 PCA
Trusty Wikipedia 可以帮助您像往常一样（抱歉，在 iPad 上书写时似乎无法添加链接）
http://en.wikipedia.org/wiki/Partial_least_squares_regression
Yes, by using the x most significant components in the model you are reducing the dimensionality from M to x
If you want to predict - i.e. you have a Y (or multiple Y's) you are into PLS rather than PCA
Trusty Wikipedia comes to the rescue as usual (sorry, can't seem to add a link when writing on an iPad)
http://en.wikipedia.org/wiki/Partial_least_squares_regression