Выбор главных компонент

Снижение размерности в Python

Jeroen Boeye

Head of Machine Learning, Faktion

Задание порога объяснённой дисперсии

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_))

Оптимальное число компонент

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()

доля объяснённой дисперсии

Оптимальное число компонент

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()

перегиб на графике доли объяснённой дисперсии

Операции PCA

схема применения PCA, шаг 1

Операции PCA

схема применения PCA, шаг 2

Операции PCA

схема применения PCA, шаг 3

Сжатие изображений

исходные изображения лиц

Сжатие изображений

print(X_test.shape)

(15, 2914)

62 x 47 пикселей = 2914 значений оттенков серого

print(X_train.shape)

(1333, 2914)

Сжатие изображений

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

pipe.fit(X_train)

pc = pipe.fit_transform(X_test)

print(pc.shape)

(15, 290)

Восстановление изображений

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)

сжатые изображения лиц

Восстановление изображений

исходные изображения лиц

сжатые изображения лиц

Давайте потренируемся!

Снижение размерности в Python