Temel Bileşen seçimi

Python'da Boyut Azaltma

Jeroen Boeye

Head of Machine Learning, Faktion

Açıklanan varyans eşiği belirleme

pipe = Pipeline([
        ('scaler', StandardScaler()),
        ('reducer', PCA(n_components=0.9))])

# Fit the pipe to the data
pipe.fit(poke_df)

print(len(pipe['reducer'].components_))

En uygun bileşen sayısı

pipe.fit(poke_df)

var = pipe['reducer'].explained_variance_ratio_

plt.plot(var)

plt.xlabel('Temel bileşen indeksi')
plt.ylabel('Açıklanan varyans oranı')
plt.show()

açıklanan varyans oranı

En uygun bileşen sayısı

pipe.fit(poke_df)

var = pipe['reducer'].explained_variance_ratio_

plt.plot(var)

plt.xlabel('Temel bileşen indeksi')
plt.ylabel('Açıklanan varyans oranı')
plt.show()

açıklanan varyans oranı dirsek noktası

PCA işlemleri

PCA uyum-dönüştürme şeması 1

PCA işlemleri

PCA uyum-dönüştürme şeması 2

PCA işlemleri

PCA uyum-dönüştürme şeması 3

Görüntüleri sıkıştırma

yüzler orijinal

Görüntüleri sıkıştırma

print(X_test.shape)

(15, 2914)

62 x 47 piksel = 2914 gri ton değeri

print(X_train.shape)

(1333, 2914)

Görüntüleri sıkıştırma

pipe = Pipeline([
        ('scaler', StandardScaler()),
        ('reducer', PCA(n_components=290))])

pipe.fit(X_train)

pc = pipe.fit_transform(X_test)

print(pc.shape)

(15, 290)

Görüntüleri yeniden oluşturma

pc = pipe.transform(X_test)

print(pc.shape)

(15, 290)

X_rebuilt = pipe.inverse_transform(pc)

print(X_rebuilt.shape)

(15, 2914)

img_plotter(X_rebuilt)

yüzler sıkıştırılmış

Görüntüleri yeniden oluşturma

yüzler orijinal

yüzler sıkıştırılmış

Haydi pratik yapalım!

Python'da Boyut Azaltma