Applications de l'ACP

Réduction de dimensionnalité en Python

Jeroen Boeye

Head of Machine Learning, Faktion

Comprendre les composantes

print(pca.components_)

array([[  0.71, 0.71],
       [ -0.71, 0.71]])

PC 1 = 0.71 x Longueur de la main + 0.71 x Longueur du pied

PC 2 = -0.71 x Longueur de la main + 0.71 x Longueur du pied

longueur main vs. pied avec vecteurs

Réduction de dimensionnalité en Python

ACP pour l'exploration des données

Composantes selon les classes de taille

Réduction de dimensionnalité en Python

ACP dans une chaîne de traitement

from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.pipeline import Pipeline

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

pc = pipe.fit_transform(ansur_df)

print(pc[:,:2])

array([[-3.46114925,  1.5785215 ],
       [ 0.90860615,  2.02379935],
       ...,
       [10.7569818 , -1.40222755],
       [ 7.64802025,  1.07406209]])
Réduction de dimensionnalité en Python

Vérifier l'effet des caractéristiques catégorielles

print(ansur_categories.head())

   Branch                  Component     Gender  BMI_class   Height_class
0  Combat Arms             Regular Army  Male    Overweight  Tall
1  Combat Support          Regular Army  Male    Overweight  Normal
2  Combat Support          Regular Army  Male    Overweight  Normal
3  Combat Service Support  Regular Army  Male    Overweight  Normal
4  Combat Service Support  Regular Army  Male    Overweight  Tall
Réduction de dimensionnalité en Python

Vérifier l'effet des caractéristiques catégorielles

ansur_categories['PC 1'] = pc[:,0]
ansur_categories['PC 2'] = pc[:,1]

sns.scatterplot(data=ansur_categories, 
                x='PC 1', y='PC 2', 
                hue='Height_class', alpha=0.4)

Composantes selon les classes de taille

Réduction de dimensionnalité en Python

Vérifier l'effet des caractéristiques catégorielles

sns.scatterplot(data=ansur_categories, 
                x='PC 1', y='PC 2', 
                hue='Gender', alpha=0.4)

Composantes selon les genres

Réduction de dimensionnalité en Python

Vérifier l'effet des caractéristiques catégorielles

sns.scatterplot(data=ansur_categories, 
                x='PC 1', y='PC 2', 
                hue='BMI_class', alpha=0.4)

Composantes selon les classes d'IMC

Réduction de dimensionnalité en Python

ACP dans une chaîne de modélisation

pipe = Pipeline([
        ('scaler', StandardScaler()),
        ('reducer', PCA(n_components=3)),
        ('classifier', RandomForestClassifier())])

print(pipe['reducer'])

PCA(n_components=3)
Réduction de dimensionnalité en Python

ACP dans une chaîne de modélisation

pipe.fit(X_train, y_train)

pipe['reducer'].explained_variance_ratio_

array([0.56, 0.13, 0.05])

pipe['reducer'].explained_variance_ratio_.sum()

0.74

print(pipe.score(X_test, y_test))

0.986
Réduction de dimensionnalité en Python

Passons à la pratique !

Réduction de dimensionnalité en Python

Preparing Video For Download...