用于匿名化的 PCA
Python 中的数据隐私与匿名化
Rebeca Gonzalez
Data engineer
主成分分析（PCA）
$$ $$ 一种常用的降维方法，用于减少大型数据集的维度。
用 PCA 进行数据掩蔽
PCA 通过对原始特征做线性变换来创建新的"主成分"。
在啤酒数据集中，PCA 会构造新特征。例如：
$$ 2\times AlcoholicVolume - BitternessLevel$$
用 PCA 进行数据掩蔽
数据的新投影
用 PCA 进行数据掩蔽
不做降维的 PCA
$$
- 只是对数据集原空间的旋转。
- 因此距离被保留。
- 有利于预测任务与算法。
用 PCA 进行数据掩蔽
- 若在无说明的情况下发布这些结果值，算法仍可用其训练并做出准确预测。
- 对手将无法解释这些被掩蔽的数值。
用 PCA 进行数据掩蔽
# Explore the dataset
heart_df.head()
age sex cp trestbps chol fbs restecg thalach exang oldpeak slope ca thal target
0 63 1 3 145 233 1 0 150 0 2.3 0 0 1 1
1 37 1 2 130 250 0 1 187 0 3.5 0 0 2 1
2 41 0 1 130 204 0 0 172 0 1.4 2 0 2 1
3 56 1 1 120 236 0 1 178 0 0.8 2 0 2 1
4 57 0 0 120 354 0 1 163 1 0.6 2 0 2 1
使用 PCA 与 Scikit-learn 进行数据掩蔽
# Obtain the data without the target column x_data = df.drop(['target'], axis = 1)# Target column as array of values y = df.target.values
使用 PCA 与 Scikit-learn 进行数据掩蔽
# Import PCA from Scikit-learn from sklearn.decomposition import PCA# Initialize PCA with number of components to be the same as the number of columns pca = PCA(n_components=len(x_data.columns))# Apply PCA to the data x_data_pca = pca.fit_transform(x_data)
使用 PCA 与 Scikit-learn 进行数据掩蔽
# See the data
x_data_pca
array([[-1.22673448e+01, 2.87383781e+00, 1.49698788e+01, ...,
7.31102828e-01, -2.90393586e-01, 5.12575925e-01],
[ 2.69013712e+00, -3.98713736e+01, 8.77882303e-01, ...,
4.04206943e-01, -4.25920179e-01, -1.48124511e-01],
[-4.29502141e+01, -2.36368199e+01, 1.75944589e+00, ...,
-9.15397287e-01, 2.17828257e-01, 7.97593843e-02],
...,
使用 PCA 与 Scikit-learn 进行数据掩蔽
# Create a DataFrame from the resulting PCA transformed data df_x_data_pca = pd.DataFrame(x_data_pca)# Inspect the shape of the dataset df_x_data_pca.shape
(1213, 13)
PCA 掩蔽后的数据效用
- 使用逻辑回归进行分类，通过比较原始与变换后数据评估准确率损失。
$$
- 逻辑回归是用于二元结果预测的分类算法。
PCA 掩蔽后的数据效用
使用逻辑回归进行分类，并观察准确率损失。
# Split the resulting dataset into training and test data x_train, x_test, y_train, y_test = train_test_split(x_data_pca, y, test_size=0.2)# Create the model lr = LogisticRegression(max_iter=200)# Fit train the model lr.fit(x_train,y_train)# Run the model and perform predictions to obtain accuracy score acc = lr.score(x_test, y_test) * 100 print("Test Accuracy is ", acc)
Test Accuracy is 85.24590163934425
PCA 掩蔽前的数据效用
使用原始数据进行逻辑回归分类并查看评分。
# Split the resulting dataset into training and test data
x_train, x_test, y_train, y_test = train_test_split(x_data.to_numpy(),y,test_size = 0.2)
# Create the model
lr = LogisticRegression(max_iter=200)
# Fit train the model
lr.fit(x_train,y_train)
# Run the model and perform predictions to obtain accuracy score
acc = lr.score(x_test,y_test) * 100
print("Test Accuracy is ", acc)
Test Accuracy is 85.24590163934425
¡Vamos a practicar!
Python 中的数据隐私与匿名化
