익명화를 위한 PCA
Python으로 배우는 데이터 프라이버시와 익명화
Rebeca Gonzalez
Data engineer
주성분분석(PCA)
$$ $$ 대규모 데이터셋의 차원을 줄이는 데 자주 쓰이는 차원 축소 기법입니다.
PCA로 데이터 마스킹
PCA는 원본 특성의 선형 변환으로 새로운 "주성분"을 만듭니다.
예: 맥주 데이터셋에서 PCA는 새 특성을 구성할 수 있습니다. 예를 들어:
$$ 2\times AlcoholicVolume - BitternessLevel$$
PCA로 데이터 마스킹
데이터의 새로운 투영
PCA로 데이터 마스킹
차원 축소 없이 PCA
$$
- 원본 공간을 회전만 합니다.
- 거리는 보존됩니다.
- 예측 작업·알고리즘에 유리합니다.
PCA로 데이터 마스킹
- 결과 값이 설명 없이 공개되어도, 알고리즘은 이를 학습해 정확히 예측할 수 있습니다.
- 적대적 공격자는 이 마스킹된 값을 해석하기 어렵습니다.
PCA로 데이터 마스킹
# Explore the dataset
heart_df.head()
age sex cp trestbps chol fbs restecg thalach exang oldpeak slope ca thal target
0 63 1 3 145 233 1 0 150 0 2.3 0 0 1 1
1 37 1 2 130 250 0 1 187 0 3.5 0 0 2 1
2 41 0 1 130 204 0 0 172 0 1.4 2 0 2 1
3 56 1 1 120 236 0 1 178 0 0.8 2 0 2 1
4 57 0 0 120 354 0 1 163 1 0.6 2 0 2 1
PCA와 Scikit-learn으로 데이터 마스킹
# Obtain the data without the target column x_data = df.drop(['target'], axis = 1)# Target column as array of values y = df.target.values
PCA와 Scikit-learn으로 데이터 마스킹
# Import PCA from Scikit-learn from sklearn.decomposition import PCA# Initialize PCA with number of components to be the same as the number of columns pca = PCA(n_components=len(x_data.columns))# Apply PCA to the data x_data_pca = pca.fit_transform(x_data)
PCA와 Scikit-learn으로 데이터 마스킹
# See the data
x_data_pca
array([[-1.22673448e+01, 2.87383781e+00, 1.49698788e+01, ...,
7.31102828e-01, -2.90393586e-01, 5.12575925e-01],
[ 2.69013712e+00, -3.98713736e+01, 8.77882303e-01, ...,
4.04206943e-01, -4.25920179e-01, -1.48124511e-01],
[-4.29502141e+01, -2.36368199e+01, 1.75944589e+00, ...,
-9.15397287e-01, 2.17828257e-01, 7.97593843e-02],
...,
PCA와 Scikit-learn으로 데이터 마스킹
# Create a DataFrame from the resulting PCA transformed data df_x_data_pca = pd.DataFrame(x_data_pca)# Inspect the shape of the dataset df_x_data_pca.shape
(1213, 13)
PCA 마스킹 후 데이터 유용성
- 로지스틱 회귀로 분류를 수행하고, 원본과 변환 데이터의 정확도 차이를 확인합니다.
$$
- 로지스틱 회귀는 독립 변수들로 이진 결과를 예측하는 분류 알고리즘입니다.
PCA 마스킹 후 데이터 유용성
로지스틱 회귀로 분류를 수행하고 정확도 손실을 확인합니다.
# Split the resulting dataset into training and test data x_train, x_test, y_train, y_test = train_test_split(x_data_pca, y, test_size=0.2)# Create the model lr = LogisticRegression(max_iter=200)# Fit train the model lr.fit(x_train,y_train)# Run the model and perform predictions to obtain accuracy score acc = lr.score(x_test, y_test) * 100 print("Test Accuracy is ", acc)
Test Accuracy is 85.24590163934425
PCA 마스킹 전 데이터 유용성
원본 데이터로 로지스틱 회귀 분류를 수행하고 점수를 확인합니다.
# Split the resulting dataset into training and test data
x_train, x_test, y_train, y_test = train_test_split(x_data.to_numpy(),y,test_size = 0.2)
# Create the model
lr = LogisticRegression(max_iter=200)
# Fit train the model
lr.fit(x_train,y_train)
# Run the model and perform predictions to obtain accuracy score
acc = lr.score(x_test,y_test) * 100
print("Test Accuracy is ", acc)
Test Accuracy is 85.24590163934425
Ayo berlatih!
Python으로 배우는 데이터 프라이버시와 익명화
