主成分选择

Python 中的降维

Jeroen Boeye

Head of Machine Learning, Faktion

设定可解释方差阈值

pipe = Pipeline([
        ('scaler', StandardScaler()),
        ('reducer', PCA(n_components=0.9))])

# Fit the pipe to the data
pipe.fit(poke_df)

print(len(pipe['reducer'].components_))

最优成分数

pipe.fit(poke_df)

var = pipe['reducer'].explained_variance_ratio_

plt.plot(var)

plt.xlabel('Principal component index')
plt.ylabel('Explained variance ratio')
plt.show()

可解释方差比

最优成分数

pipe.fit(poke_df)

var = pipe['reducer'].explained_variance_ratio_

plt.plot(var)

plt.xlabel('Principal component index')
plt.ylabel('Explained variance ratio')
plt.show()

可解释方差比肘部图

PCA 操作

PCA 拟合与变换示意图 1

PCA 操作

PCA 拟合与变换示意图 2

PCA 操作

PCA 拟合与变换示意图 3

压缩图像

原始人脸

压缩图像

print(X_test.shape)

(15, 2914)

62 x 47 像素 = 2914 个灰度值

print(X_train.shape)

(1333, 2914)

压缩图像

pipe = Pipeline([
        ('scaler', StandardScaler()),
        ('reducer', PCA(n_components=290))])

pipe.fit(X_train)

pc = pipe.fit_transform(X_test)

print(pc.shape)

(15, 290)

重建图像

pc = pipe.transform(X_test)

print(pc.shape)

(15, 290)

X_rebuilt = pipe.inverse_transform(pc)

print(X_rebuilt.shape)

(15, 2914)

img_plotter(X_rebuilt)

压缩后的人脸

重建图像

原始人脸

压缩后的人脸

Passons à la pratique !

Python 中的降维