Réduction de dimension

Prétraitement pour le Machine Learning en Python

James Chapman

Curriculum Manager, DataCamp

Réduction de dimension et ACP

  • Méthode d'apprentissage non supervisé
  • Combine/décompose un espace de caractéristiques
  • Extraction de caractéristiques – ici pour réduire notre espace de caractéristiques
  • Analyse en composantes principales
  • Transformation linéaire vers un espace non corrélé
  • Capte un maximum de variance par composante
Prétraitement pour le Machine Learning en Python

ACP avec 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, ...]
Prétraitement pour le Machine Learning en Python

Limites de l'ACP

  • Composantes difficiles à interpréter
  • Fin du parcours de prétraitement
Prétraitement pour le Machine Learning en Python

Passons à la pratique !

Prétraitement pour le Machine Learning en Python

Preparing Video For Download...