Selecția componentelor principale

Reducerea dimensionalității în Python

Jeroen Boeye

Head of Machine Learning, Faktion

Stabilirea unui prag de varianță explicată

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_))

Numărul optim de componente

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()

rata varianței explicate

Numărul optim de componente

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()

cot grafic rată varianță explicată

Operații PCA

Schema PCA fit transform 1

Operații PCA

Schema PCA fit transform 2

Operații PCA

Schema PCA fit transform 3

Compresia imaginilor

fețe originale

Compresia imaginilor

print(X_test.shape)

(15, 2914)

62 x 47 pixeli = 2914 valori în tonuri de gri

print(X_train.shape)

(1333, 2914)

Compresia imaginilor

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

pipe.fit(X_train)

pc = pipe.fit_transform(X_test)

print(pc.shape)

(15, 290)

Reconstrucția imaginilor

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)

fețe comprimate

Reconstrucția imaginilor

fețe originale

fețe comprimate

Să exersăm!

Reducerea dimensionalității în Python