Chọn thành phần chính

Giảm Chiều Dữ Liệu với Python

Jeroen Boeye

Head of Machine Learning, Faktion

Đặt ngưỡng phương sai giải thích

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_))

Số lượng thành phần tối ưu

pipe.fit(poke_df)

var = pipe['reducer'].explained_variance_ratio_

plt.plot(var)

plt.xlabel('Chỉ số thành phần chính')
plt.ylabel('Tỷ lệ phương sai giải thích')
plt.show()

tỷ lệ phương sai giải thích

Số lượng thành phần tối ưu

pipe.fit(poke_df)

var = pipe['reducer'].explained_variance_ratio_

plt.plot(var)

plt.xlabel('Chỉ số thành phần chính')
plt.ylabel('Tỷ lệ phương sai giải thích')
plt.show()

khuỷu tay tỷ lệ phương sai giải thích

Các thao tác PCA

Sơ đồ fit/transform PCA 1

Các thao tác PCA

Sơ đồ fit/transform PCA 2

Các thao tác PCA

Sơ đồ fit/transform PCA 3

Nén ảnh

ảnh gốc khuôn mặt

Nén ảnh

print(X_test.shape)

(15, 2914)

62 x 47 pixel = 2914 giá trị thang xám

print(X_train.shape)

(1333, 2914)

Nén ảnh

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

pipe.fit(X_train)

pc = pipe.fit_transform(X_test)

print(pc.shape)

(15, 290)

Khôi phục ảnh

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)

khuôn mặt nén

Khôi phục ảnh

ảnh gốc khuôn mặt

khuôn mặt nén

Ayo berlatih!

Giảm Chiều Dữ Liệu với Python