Scikit-learn: विहित सहसंबंध विश्लेषण (सीसीए) का अनपेक्षित व्यवहार

यदि आपकी समस्या एक उपयोग प्रश्न है, तो इसके बजाय इसे यहां सबमिट करें: - स्किकिट-लर्न टैग के साथ स्टैक ओवरफ्लो: https://stackoverflow.com/questions/tagged/scikit-learn - मेलिंग सूची: https://mail.python.org /mailman/listinfo/scikit-learn अधिक जानकारी के लिए, उपयोगकर्ता प्रश्न देखें: http://scikit-learn.org/stable/support.html#user-questions बग फाइल करने के निर्देश: https://github.com/scikit -लर्न/स्किकिट-लर्न/ब्लॉब/मास्टर/CONTRIBUTING.md#filing-bugs

विवरण

दो दृश्य मैट्रिक्स X और Y को देखते हुए, CCA को n_components तत्वों के रैखिक संयोजन X 's और Y ' में वापस करना चाहिए। सबसे बड़े सहसंबंध के साथ s वैक्टर, यानी पहले घटक का सबसे बड़ा सहसंबंध है, दूसरे का दूसरा सबसे बड़ा सहसंबंध एक दिशा में है जो पहले वाले से असंबंधित है, आदि। हालांकि, निम्नलिखित कोड में, दूसरा कॉलम स्पष्ट रूप से है तीसरे कॉलम से कम सहसंबद्ध:

चरण/कोड पुन: उत्पन्न करने के लिए

from sklearn.cross_decomposition import CCA
import numpy as np
from scipy import stats

X = [[0.006061109337620652, 0.0392466675239141, -0.04312459861840733], [-0.6652995467596429, 0.2076410843346226, -0.7817536882379651], [-1.4060868112838942, -0.055029478343267685, -1.006415484608637], [-2.170613455952169, -0.15770102997315535, -1.5223958036356375], [-2.895702070412092, -0.20498481413822175, -1.8232022285963847], [-3.687452614812402, -0.543003880524402, -2.2952030829468533], [-4.206168972149556, -0.3365693935548624, -2.841946351795423], [-5.231288268781064, -0.8024321344988571, -3.40532581256557], [-6.095805742721522, -0.9381144689340173, -3.593752186094848], [-6.297988264542059, -0.7231985020991631, -3.9435579269998406], [-7.10897027952524, -0.8639925998765747, -4.264992629284153], [-8.116238092376772, -1.0123970020855437, -4.96858178622968], [-8.969468878952105, -1.0235782019578692, -5.617282941713933], [-9.839359511108077, -1.2819621078971968, -5.8901943190245625], [-10.181936322525571, -0.9904671991812529, -6.240811384647836]]
Y = [[0.032927114749911154, 0.21320841666565743, -0.23427536580450153], [1.431742605643286, 0.23963850202268067, 0.8438745303679628], [2.908798834568648, 0.7357229001312737, 1.325345683629048], [4.438824821921929, 0.9473643810538429, 2.35038560647864], [5.887201894166226, 1.0302756424934638, 2.964806513433767], [7.409049064480012, 1.3070946380395154, 4.347473875547982], [8.51501831350366, 1.3380108570442941, 4.9533251686263275], [10.57244384646805, 2.31627294094068, 6.028949244604159], [12.22872203222364, 2.1165257564864675, 6.923464021607424], [12.664660419747504, 1.8911363532121173, 7.398432173930664], [14.29235367239137, 2.2098221962551343, 8.000538342827351], [16.327977920399373, 2.643183255720207, 9.257671785118596], [18.081288169620517, 2.968898443090926, 10.221747267811098], [19.754046559146662, 3.051682253577557, 11.244435627784393], [20.466418131910004, 2.644933083198568, 11.752014917896375]]

cca = CCA(n_components=3)
cca.fit(X, Y)
X_transformed, Y_transformed = cca.transform(X, Y)

print(X_transformed)

[[ 1.64277244  0.08237031  0.11724683]
 [ 1.41457457 -0.11600721  0.07162219]
 [ 1.18686358  0.00666119  0.08822118]
 [ 0.94070119 -0.02504267 -0.0112954 ]
 [ 0.71314666  0.02919558  0.25990473]
 [ 0.46246267  0.05607036 -0.16424275]
 [ 0.28625435 -0.09546609 -0.02850206]
 [-0.03644528 -0.03407977 -0.55790786]
 [-0.30127324  0.12266269 -0.12622283]
 [-0.37581414 -0.01941656 -0.0343278 ]
 [-0.62900674  0.05973748  0.13448604]
 [-0.95400947  0.0082079  -0.05487306]
 [-1.23214839 -0.07548718 -0.08864002]
 [-1.50031366  0.05776429  0.00665019]
 [-1.61776455 -0.0571703   0.38788062]]

print(Y_transformed)

[[ 1.64131294  0.01428169  0.11343087]
 [ 1.41330957 -0.06169376  0.06929115]
 [ 1.18580457  0.04946041  0.0853499 ]
 [ 0.9398609   0.01613582 -0.01092778]
 [ 0.71251056  0.06356946  0.25144578]
 [ 0.46205587 -0.05371303 -0.15889725]
 [ 0.28599564 -0.05298207 -0.02757442]
 [-0.03641563  0.02220818 -0.53975   ]
 [-0.30099795  0.01004611 -0.12211474]
 [-0.37547807 -0.063071   -0.03321056]
 [-0.62844374  0.02679924  0.13010901]
 [-0.95315959  0.0185694  -0.05308714]
 [-1.23105629  0.03726576 -0.08575511]
 [-1.49897395  0.01483407  0.00643375]
 [-1.61632484 -0.04171028  0.37525653]]

अपेक्षित परिणाम

X_transfomed और Y_transformed के तीसरे कॉलम के बीच सहसंबंध लगभग 1 है, जबकि दूसरे कॉलम के बीच संबंध केवल 0.389 है। इसलिए, मुझे उम्मीद थी कि दूसरे कॉलम के स्थान पर तीसरा कॉलम दिखाई देगा।

वास्तविक परिणाम

जब मैं n_components=2 साथ CCA चलाता हूं तो मुझे पहला और दूसरा कॉलम मिलता है, जबकि मुझे पहला और तीसरा कॉलम मिलना चाहिए था।

संस्करणों

Linux-4.13.0-16-जेनेरिक-x86_64-साथ-उबंटू-17.10-आर्टफुल
पायथन 3.6.3 (डिफ़ॉल्ट, 3 अक्टूबर 2017, 21:45:48)
न्यूमपी 1.14.3
विज्ञानपी 1.2.0
स्किकिट-लर्न 0.19.1