为什么PCA和增量PCA的结果不同

Question

为什么PCA和增量PCA的结果大不相同？

我使用PCA和增加PCA来拟合相同的数据。

但是当进行转换时，两种方法之间的差距很大。

你能帮我解释一下吗？ 非常感谢你！

import numpy as np
from sklearn.decomposition import PCA, IncrementalPCA
data = np.random.random([100000, 512])
pca_obj = PCA(n_components=256)
ipca_obj = IncrementalPCA(n_components=256, batch_size=1000)
pca_obj.fit(data)
ipca_obj.fit(data)
print pca_obj.transform(np.expand_dims(data[0], axis=0))
print ipca_obj.transform(np.expand_dims(data[0], axis=0))

Answer 1

从docs，

  

IPCA使用输入法为输入数据建立低秩近似   内存量与输入数据的数量无关   样本。

IPCA仅应用于海量数据集，因为它实际上会对数据进行下采样。数据集越大，IPCA投影看起来越像PCA，但它始终是一个近似值，对于较小的数据集，这将更加明显。