Redukcja wymiarowości

Preprocessing w uczeniu maszynowym w Pythonie

James Chapman

Curriculum Manager, DataCamp

Redukcja wymiarowości i PCA

  • Metoda uczenia nienadzorowanego
  • Łączy/rozkłada przestrzeń cech
  • Ekstrakcja cech – tutaj użyta do redukcji przestrzeni cech
  • Analiza składowych głównych
  • Liniowa transformacja do przestrzeni nieskorelowanej
  • Maksymalizuje wariancję w każdym komponencie
Preprocessing w uczeniu maszynowym w Pythonie

PCA w 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 w uczeniu maszynowym w Pythonie

Ograniczenia PCA

  • Komponenty trudne do interpretacji
  • Koniec etapu przetwarzania wstępnego
Preprocessing w uczeniu maszynowym w Pythonie

Czas na ćwiczenia!

Preprocessing w uczeniu maszynowym w Pythonie

Preparing Video For Download...