Я пытаюсь восстановить из PCA, сделанного с помощью scikit-learn, , которые выбираются как релевантные.
Классический пример с набором данных IRIS.
import pandas as pd
import pylab as pl
from sklearn import datasets
from sklearn.decomposition import PCA
# load dataset
iris = datasets.load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
# normalize data
df_norm = (df - df.mean()) / df.std()
# PCA
pca = PCA(n_components=2)
pca.fit_transform(df_norm.values)
print pca.explained_variance_ratio_
Это возвращает
In [42]: pca.explained_variance_ratio_
Out[42]: array([ 0.72770452, 0.23030523])
Как я могу восстановить две функции, которые позволяют объяснить эти два объяснения в наборе данных? С другой стороны, как я могу получить индекс этих функций в iris.feature_names?
In [47]: print iris.feature_names
['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
Заранее благодарим за помощь.