Giảm chiều: kỹ thuật trực quan hóa

Luyện tập câu hỏi phỏng vấn Machine Learning bằng Python

Lisa Stuart

Data Scientist

Vì sao cần giảm chiều?

Tăng tốc huấn luyện ML
Trực quan hóa
Cải thiện độ chính xác

Kỹ thuật trực quan hóa

PCA
t-SNE

Trực quan hóa với PCA

biểu đồ PCA

¹ https://districtdatalabs.silvrback.com/principal-component-analysis-with-python

Biểu đồ scree

biểu đồ scree

¹ https://towardsdatascience.com/a-step-by-step-explanation-of-principal-component-analysis-b836fb9c97e2

t-SNE

Xác suất
Cặp điểm dữ liệu
Nhúng không gian thấp
Vẽ biểu đồ nhúng

Trực quan hóa với t-SNE

# t-sne with loan data
from sklearn.manifold import TSNE
import seaborn as sns

loans =  pd.read_csv('loans_dataset.csv')

# Feature matrix
X = loans.drop('Loan Status', axis=1)

tsne = TSNE(n_components=2, verbose=1, perplexity=40)
tsne_results = tsne.fit_transform(X)

loans['t-SNE-PC-one'] = tsne_results[:,0]
loans['t-SNE-PC-two'] = tsne_results[:,1]


# t-sne viz
plt.figure(figsize=(16,10))
sns.scatterplot(
    x="t-SNE-PC-one", y="t-SNE-PC-two",
    hue="Loan Status",
    palette=sns.color_palette(["grey","blue"]),
    data=loans,
    legend="full",
    alpha=0.3
)

¹ https://scikit-learn.org/stable/modules/generated/sklearn.manifold.TSNE.html

Trực quan hóa với t-SNE

biểu đồ t-sne

PCA vs t-SNE: dữ liệu chữ số

PCA và t-SNE trên bộ số viết tay

¹ https://towardsdatascience.com/visualising-high-dimensional-datasets-using-pca-and-t-sne-in-python-8ef87e7915b

Hãy thực hành!

Luyện tập câu hỏi phỏng vấn Machine Learning bằng Python