Redukcja wymiarowości: ekstrakcja cech

Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie

Lisa Stuart

Data Scientist

Metody uczenia nienadzorowanego

Wykres PCA

Selekcja cech

¹ https://slideplayer.com/slide/9699240/ ² https://www.analyticsvidhya.com/blog/2016/03/practical-guide-principal-component-analysis-python/

Wykres wymiarowości a wydajności

¹ https://www.visiondummy.com/2014/04/curse-dimensionality-affect-classification/

Przestrzeń przeszukiwania 1D

Przestrzeń przeszukiwania 2D

Przestrzeń przeszukiwania 3D

Wykres PCA dla zbioru Iris

PCA
- Zależność między X a y
- Wyznaczanie głównych osi
- Translacja, rotacja i skalowanie
- Projekcja danych na niższy wymiar

¹ https://scikit-learn.org/stable/modules/decomposition.html

Wykres SVD dla zbioru Iris

SVD
- Algebra liniowa i rachunek wektorowy
- Rozkład macierzy danych na trzy macierze
- Wynikiem są wartości szczególne
- Wariancja danych ≈ suma kwadratów wartości szczególnych

¹ https://galaxydatatech.com/2018/07/15/singular-value-decomposition/

Funkcja/metoda	zwraca
`sklearn.decomposition.PCA`	analiza składowych głównych
`sklearn.decomposition.TruncatedSVD`	rozkład według wartości szczególnych
`PCA/SVD.fit_transform(X)`	dopasowuje i transformuje dane
`PCA/SVD.explained_variance_ratio_`	wariancja wyjaśniona przez składowe

Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie