Selectie van hoofdcomponenten

Dimensionality Reduction in Python

Jeroen Boeye

Head of Machine Learning, Faktion

Drempel voor verklaarde variantie instellen

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_))

Een optimaal aantal componenten

pipe.fit(poke_df)

var = pipe['reducer'].explained_variance_ratio_

plt.plot(var)

plt.xlabel('Index hoofdcomponent')
plt.ylabel('Verklaarde-variantie-ratio')
plt.show()

verklaarde variantie-ratio

Een optimaal aantal componenten

pipe.fit(poke_df)

var = pipe['reducer'].explained_variance_ratio_

plt.plot(var)

plt.xlabel('Index hoofdcomponent')
plt.ylabel('Verklaarde-variantie-ratio')
plt.show()

knikpunt verklaarde variantie-ratio

PCA-bewerkingen

PCA fit-transform schema 1

PCA-bewerkingen

PCA fit-transform schema 2

PCA-bewerkingen

PCA fit-transform schema 3

Afbeeldingen comprimeren

gezichten origineel

Afbeeldingen comprimeren

print(X_test.shape)

(15, 2914)

62 x 47 pixels = 2914 grijswaarden

print(X_train.shape)

(1333, 2914)

Afbeeldingen comprimeren

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

pipe.fit(X_train)

pc = pipe.fit_transform(X_test)

print(pc.shape)

(15, 290)

Afbeeldingen reconstrueren

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)

gezichten gecomprimeerd

Afbeeldingen reconstrueren

gezichten origineel

gezichten gecomprimeerd

Laten we oefenen!

Dimensionality Reduction in Python