Sélection des composantes principales

Réduction de dimensionnalité en Python

Jeroen Boeye

Head of Machine Learning, Faktion

Fixer un seuil de variance expliquée

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_))

Nombre optimal de composantes

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()

ratio de variance expliquée

Nombre optimal de composantes

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()

coude du ratio de variance expliquée

Opérations PCA

schéma PCA fit/transform 1

Opérations PCA

schéma PCA fit/transform 2

Opérations PCA

schéma PCA fit/transform 3

Compression d'images

visages : image originale

Compression d'images

print(X_test.shape)

(15, 2914)

62 x 47 pixels = 2914 valeurs en niveaux de gris

print(X_train.shape)

(1333, 2914)

Compression d'images

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

pipe.fit(X_train)

pc = pipe.fit_transform(X_test)

print(pc.shape)

(15, 290)

Reconstruire des images

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)

visages : image compressée

Reconstruire des images

visages : image originale

visages : image compressée

Passons à la pratique !

Réduction de dimensionnalité en Python