次元削減

Pythonで学ぶMachine Learningの前処理

James Chapman

Curriculum Manager, DataCamp

次元削減とPCA

  • 教師なし学習の手法
  • 特徴空間の結合・分解
  • 特徴抽出 - 特徴空間の削減に使用
  • 主成分分析(PCA)
  • 無相関空間への線形変換
  • 各成分で分散を最大限に捉える
Pythonで学ぶMachine Learningの前処理

scikit-learnでのPCA

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, ...]
Pythonで学ぶMachine Learningの前処理

PCAの注意点

  • 成分の解釈が難しい
  • 前処理の最終ステップ
Pythonで学ぶMachine Learningの前処理

さあ、練習しましょう!

Pythonで学ぶMachine Learningの前処理

Preparing Video For Download...