Зменшення розмірності

Передобробка для машинного навчання в Python

James Chapman

Curriculum Manager, DataCamp

Зменшення розмірності та PCA

  • Метод без учителя
  • Поєднує/розкладає простір ознак
  • Виділення ознак — тут використаємо для зменшення простору ознак
  • Метод головних компонент
  • Лінійне перетворення в некорельований простір
  • У кожній компоненті зберігає якомога більше дисперсії
Передобробка для машинного навчання в Python

PCA у 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, ...]
Передобробка для машинного навчання в Python

Застереження щодо PCA

  • Компоненти важко інтерпретувати
  • Завершення етапу попередньої обробки
Передобробка для машинного навчання в Python

Давайте потренуємось!

Передобробка для машинного навчання в Python

Preparing Video For Download...