การลดมิติข้อมูล

การเตรียมข้อมูลสำหรับ Machine Learning ด้วย Python

James Chapman

Curriculum Manager, DataCamp

การลดมิติข้อมูลและ PCA

วิธีการเรียนรู้แบบไม่มีผู้สอน
รวม/แยกย่อยพื้นที่ของฟีเจอร์
การสกัดฟีเจอร์ — ใช้เพื่อลดพื้นที่ฟีเจอร์

Principal component analysis
การแปลงเชิงเส้นสู่พื้นที่ที่ไม่มีความสัมพันธ์กัน
จับความแปรปรวนให้ได้มากที่สุดในแต่ละองค์ประกอบ

PCA ใน 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, ...]

ข้อควรระวังของ PCA

ตีความองค์ประกอบได้ยาก
สิ้นสุดขั้นตอนการเตรียมข้อมูล

มาฝึกกันเถอะ!

การเตรียมข้อมูลสำหรับ Machine Learning ด้วย Python