Pengurangan dimensi

Prapemrosesan untuk Machine Learning di Python

James Chapman

Curriculum Manager, DataCamp

Pengurangan dimensi dan PCA

  • Metode pembelajaran tanpa pengawasan
  • Menggabungkan/menguraikan ruang fitur
  • Ekstraksi fitur — di sini kita gunakan untuk mengurangi ruang fitur
  • Principal component analysis
  • Transformasi linear ke ruang tak berkorelasi
  • Menangkap varians sebanyak mungkin di tiap komponen
Prapemrosesan untuk Machine Learning di Python

PCA di 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, ...]
Prapemrosesan untuk Machine Learning di Python

Catatan penting PCA

  • Komponen sulit ditafsirkan
  • Akhir dari rangkaian prapemrosesan
Prapemrosesan untuk Machine Learning di Python

Ayo berlatih!

Prapemrosesan untuk Machine Learning di Python

Preparing Video For Download...