Dimensionality reduction

Förbehandling för maskininlärning i Python

James Chapman

Curriculum Manager, DataCamp

Dimensionsreduktion och PCA

  • Oövervakad inlärningsmetod
  • Kombinerar/dekomponerar ett särdragsrum
  • Särdragsextraktion – här används för att minska särdragsrummet
  • Principalkomponentanalys
  • Linjär transformation till ett okorrelerat rum
  • Fångar så mycket varians som möjligt i varje komponent
Förbehandling för maskininlärning i Python

PCA i 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, ...]
Förbehandling för maskininlärning i Python

PCA – saker att tänka på

  • Komponenterna kan vara svåra att tolka
  • Förbearbetningsresan är nu klar
Förbehandling för maskininlärning i Python

Nu kör vi en övning!

Förbehandling för maskininlärning i Python

Preparing Video For Download...