python实现不同的n_components选取

在Python中，可以使用sklearn库中的NMF类来实现不同的`n_components`值选取。以下是代码示例：

import pandas as pd
import numpy as np
from sklearn.decomposition import NMF
from sklearn.cluster import KMeans
from sklearn.metrics import accuracy_score, normalized_mutual_info_score
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler

# 加载数据
data = pd.read_csv('./dataset/ebs/waveform-5000.csv', header=None)
X = data.iloc[:, :-1].values
y_true = data.iloc[:, -1].values

# 尝试不同的n_components值
n_components_list = [5, 10, 15, 20, 25]
for n_components in n_components_list:
    # 构建NMF模型
    model = NMF(n_components=n_components, init='random', random_state=0)
    W = model.fit_transform(X)

    # K-Means聚类分析
    kmeans = KMeans(n_clusters=3, random_state=0)
    y_pred = kmeans.fit_predict(W)

    # 分析聚类效果
    acc = accuracy_score(y_true, y_pred)
    nmi = normalized_mutual_info_score(y_true, y_pred)
    print('n_components=%d, Accuracy: %.4f, NMI: %.4f' % (n_components, acc, nmi))

在上述代码中，我们使用了一个循环来尝试不同的`n_components`值，并分别进行聚类分析和聚类效果分析。可以通过这种方式来比较不同`n_components`值的效果，从而选择最优的`n_components`值。

需要注意的是，在使用NMF进行特征提取时，对数据进行预处理也是非常重要的。可以使用sklearn中的Pipeline类来构建完整的数据处理和聚类分析流程，例如：

# 构建完整的数据处理和聚类分析流程
pipeline = make_pipeline(StandardScaler(), NMF(n_components=n_components, init='random', random_state=0), KMeans(n_clusters=3, random_state=0))
y_pred = pipeline.fit_predict(X)

这种方式可以简化代码，并确保数据在进行特征提取和聚类分析之前得到了正确的预处理。