Dimensiereductie

Preprocessing voor Machine Learning in Python

James Chapman

Curriculum Manager, DataCamp

Dimensiereductie en PCA

  • Unsupervised learning-methode
  • Combineert/decomponeert een feature-ruimte
  • Feature-extractie — hier gebruiken we het om onze feature-ruimte te verkleinen
  • Principal component analysis
  • Lineaire transformatie naar een ongecorreleerde ruimte
  • Vangt per component zoveel mogelijk variantie
Preprocessing voor 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, ...]
Preprocessing voor Machine Learning in Python

Aandachtspunten bij PCA

  • Componenten zijn lastig te interpreteren
  • Einde van de preprocessing-reis
Preprocessing voor Machine Learning in Python

Laten we oefenen!

Preprocessing voor Machine Learning in Python

Preparing Video For Download...