Výběr hlavních komponent

Redukce dimenzionality v Pythonu

Jeroen Boeye

Head of Machine Learning, Faktion

Nastavení prahu vysvětlené variance

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_))

Optimální počet komponent

pipe.fit(poke_df)

var = pipe['reducer'].explained_variance_ratio_

plt.plot(var)

plt.xlabel('Principal component index')
plt.ylabel('Explained variance ratio')
plt.show()

poměr vysvětlené variance

Optimální počet komponent

pipe.fit(poke_df)

var = pipe['reducer'].explained_variance_ratio_

plt.plot(var)

plt.xlabel('Principal component index')
plt.ylabel('Explained variance ratio')
plt.show()

poměr vysvětlené variance – loket

Operace PCA

Schéma PCA fit transform 1

Operace PCA

Schéma PCA fit transform 2

Operace PCA

Schéma PCA fit transform 3

Komprese obrázků

Obličeje originál

Komprese obrázků

print(X_test.shape)

(15, 2914)

62 x 47 pixelů = 2914 hodnot ve stupních šedi

print(X_train.shape)

(1333, 2914)

Komprese obrázků

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

pipe.fit(X_train)

pc = pipe.fit_transform(X_test)

print(pc.shape)

(15, 290)

Rekonstrukce obrázků

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)

Obličeje komprimované

Rekonstrukce obrázků

Obličeje originál

Obličeje komprimované

Pojďme si procvičit!

Redukce dimenzionality v Pythonu