sklearn 中的因子分析：解释方差

Posted 2023-03-12

【中文标题】sklearn 中的因子分析：解释方差

【英文标题】：Factor Analysis in sklearn: Explained Variance

【发布时间】：2017-05-14 07:51:33

【问题描述】：

scikit-learn 中的 PCA 有一个名为“explained_variance”的属性，它捕获每个组件解释的方差。对于 scikit-learn 中的 FactorAnalysis，我没有看到类似的情况。如何计算因子分析中每个组件解释的方差？

【参考方案1】：

你可以这样做：

在进行因子分析后，首先获取分量矩阵和噪声方差，让 fa 成为您的拟合模型

m = fa.components_
n = fa.noise_variance_

对该矩阵求平方

m1 = m**2

计算 m1 的每一列的总和

m2 = np.sum(m1,axis=1)

现在由第一个因素解释的 %variance 将是

pvar1 = (100*m2[0])/np.sum(m2)

同样，第二个因素

pvar2 = (100*m2[1])/np.sum(m2)

但是，噪声分量也解释了方差，如果您在解释的方差中考虑了这一点，则需要计算

pvar1_with_noise = (100*m2[0])/(np.sum(m2)+np.sum(n))
pvar2_with_noise = (100*m2[1])/(np.sum(m2)+np.sum(n))

等等。希望这会有所帮助。

【讨论】：

这实际上对我不起作用。我得到的“pvar1”等数字加起来都是 100%，最后一个因素总是有余数。他们不应该按解释的方差量降序排序吗？