Dimensionsreduktion

Vorverarbeitung für Machine Learning in Python

James Chapman

Curriculum Manager, DataCamp

Dimensionsreduktion und PCA

  • Unüberwachtes Lernverfahren
  • Kombiniert/zerlegt einen Merkmalsraum
  • Merkmalsextraktion – hier zur Reduktion unseres Merkmalsraums
  • Hauptkomponentenanalyse
  • Lineare Transformation in einen unkorrelierten Raum
  • Erfasst in jeder Komponente möglichst viel Varianz
Vorverarbeitung für Machine Learning in Python

PCA in scikit-learn

from sklearn.decomposition import PCA
pca = PCA()
df_pca = pca.fit_transform(df)

print(df_pca)
[88.4583, 18.7764, -2.2379, ..., 0.0954, 0.0361, -0.0034],
[93.4564, 18.6709, -1.7887, ..., -0.0509, 0.1331, 0.0119],
[-186.9433, -0.2133, -5.6307, ..., 0.0332, 0.0271, 0.0055]
print(pca.explained_variance_ratio_)
[0.9981, 0.0017, 0.0001, 0.0001, ...]
Vorverarbeitung für Machine Learning in Python

PCA: Hinweise und Grenzen

  • Komponenten schwer zu interpretieren
  • Ende der Vorverarbeitungsreise
Vorverarbeitung für Machine Learning in Python

Lass uns üben!

Vorverarbeitung für Machine Learning in Python

Preparing Video For Download...