1回答

liuyubobobo

2022-03-19

这个图像是有问题的。

我测试了一下，在最新版本下，课程的代码没有这个问题。请你尝试先下载课程的完整代码（包括 Jupyter Notebook），在你的环境下运行，看是否有同样的问题。这一小节的相关代码传送门：https://git.imooc.com/coding-169/coding-169/src/master/07-PCA-and-Gradient-Ascent/05-Data-Projection

如果没有问题，请在确定你的 Jupyter Nodebook 的代码没有问题的基础上，再试一下把你的 playML 替换成课程代码，但要注意，替换以后，加载相关 py 文件的单元格必须重新运行，才能让新的 py 文件生效（如果你修改过 py 文件，同样如此，必须重新运行 Jupyter Notebook 加载 py 文件的单元格，对 py 文件的修改才生效。）如果没有问题，说明错误在 py 文件上；否则可以再看一下 Jupyter Notebook 是否有问题。一点一点缩小错误范围。

继续加油！：）

0

2

liuyubobobo

回复

慕雪9375274

这就 make sense 了，从这个角度看，我在课程中封装的 PCA 的低维恢复高维数据是有问题的。这个问题是：我们自己封装的 PCA，初始对数据进行了 demean 操作，也就是对原始数据做了修改，减了一个均值。而从低维恢复到高维数据的过程中，其实只是恢复到了 demean 后的高维数据。他和原始数据之间还差一个“均值”。这是一个 bug，我写代码的时候没有意识到。其实主要是因为，我们很少降维后再把数据恢复到高维。PCA 的核心是在原始的高维空间找到保留信息最大的那个低维空间，进行降维。所以我没有测试到。抱歉！ P.S. 同时，是的，我们课程中实现的 PCA 算法，和 sklearn 内的实现是不一样的。sklearn 的实现是使用数学方法求解，而我们自己的封装是搜索求解，这会导致对于一些更复杂的数据，直接使用我们现在的代码，会很容易产生精度问题。可能需要做大量的调参工作（搜索的学习率或者迭代次数），才能得到可以接收的结果。（但是你图示的问题，不是这个问题。）

2022-03-20

共2条回复