Wybór składowych głównych

Redukcja wymiarowości w Pythonie

Jeroen Boeye

Head of Machine Learning, Faktion

Ustawianie progu wyjaśnionej wariancji

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_))

Optymalna liczba składowych

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()

Wskaźnik wyjaśnionej wariancji

Optymalna liczba składowych

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()

Wskaźnik wyjaśnionej wariancji – łokieć

Operacje PCA

Schemat PCA fit transform 1

Operacje PCA

Schemat PCA fit transform 2

Operacje PCA

Schemat PCA fit transform 3

Kompresja obrazów

Oryginalne twarze

Kompresja obrazów

print(X_test.shape)

(15, 2914)

62 x 47 pikseli = 2914 wartości w skali szarości

print(X_train.shape)

(1333, 2914)

Kompresja obrazów

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

pipe.fit(X_train)

pc = pipe.fit_transform(X_test)

print(pc.shape)

(15, 290)

Odbudowywanie obrazów

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)

Skompresowane twarze

Odbudowywanie obrazów

Oryginalne twarze

Skompresowane twarze

Czas na ćwiczenia!

Redukcja wymiarowości w Pythonie