Redukce dimenzionality

Preprocessing pro Machine Learning v Pythonu

James Chapman

Curriculum Manager, DataCamp

Redukce dimenzionality a PCA

  • Metoda učení bez učitele
  • Kombinuje/rozkládá prostor příznaků
  • Extrakce příznaků – zde použijeme ke zmenšení prostoru příznaků
  • Analýza hlavních komponent
  • Lineární transformace do nekorelovaného prostoru
  • Zachycuje co nejvíce variance v každé komponentě
Preprocessing pro Machine Learning v Pythonu

PCA v scikit-learn

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, ...]
Preprocessing pro Machine Learning v Pythonu

Úskalí PCA

  • Komponenty jsou obtížně interpretovatelné
  • Konec cesty předzpracování
Preprocessing pro Machine Learning v Pythonu

Pojďme si procvičit!

Preprocessing pro Machine Learning v Pythonu

Preparing Video For Download...