python - PCA 与 sklearn。无法使用 PCA 找出特征选择

Question

我一直在尝试使用 PCA 进行降维。我目前有一个大小为 (100, 100) 的图像，我正在使用一个由 140 个 Gabor 滤波器组成的滤波器组，其中每个滤波器都会给我一个响应，这又是一个 (100, 100) 的图像。现在，我想进行特征选择，我只想选择非冗余特征，而且我读到 PCA 可能是一种很好的方法。

因此我着手创建一个具有 10000 行和 140 列的数据矩阵。因此，每一行都包含该滤波器组的 Gabor 滤波器的各种响应。现在，据我所知，我可以使用 PCA 对这个矩阵进行分解

from sklearn.decomposition import PCA

pca = pca(n_components = 3)
pca.fit(Q) # Q is my 10000 X 140 matrix

但是，现在我很困惑如何从这里找出这 140 个特征向量中的哪些。我猜它应该给我这 140 个向量中的 3 个(对应于包含最多图像信息的 Gabor 过滤器)但我不知道如何从这里开始。

Answer 1

PCA 将为您提供特征的线性组合，而不是特征的选择。它将为您提供在 L2 意义上最适合重建的线性组合，也就是捕获最大方差的组合。

你的目标是什么？如果您在一张图像上执行此操作，则任何类型的选择都会为您提供能够最好地区分图像的某些部分与同一图像的其他部分的特征。

此外:Garbor 过滤器是自然图像的稀疏基础。除非你有非常具体的图像，否则我不希望发生任何有趣的事情。