आयाम घटाव: फीचर निष्कर्षण

Python में Machine Learning इंटरव्यू प्रश्नों का अभ्यास

Lisa Stuart

Data Scientist

अनसुपरवाइज़्ड लर्निंग मेथड्स

PCA प्लॉट

फीचर चयन

¹ https://slideplayer.com/slide/9699240/ ² https://www.analyticsvidhya.com/blog/2016/03/practical-guide-principal-component-analysis-python/

आयाम बनाम परफॉर्मेंस प्लॉट

¹ https://www.visiondummy.com/2014/04/curse-dimensionality-affect-classification/

1-D सर्च स्पेस

2-D सर्च स्पेस

3-D सर्च स्पेस

Iris का PCA प्लॉट

PCA
- X और y के बीच संबंध
- प्रिंसिपल एक्सिस ढूँढकर निकाला जाता है
- ट्रांसलेट, रोटेट और स्केल करता है
- डेटा का लोअर-डायमेंशनल प्रोजेक्शन

¹ https://scikit-learn.org/stable/modules/decomposition.html

Iris का SVD प्लॉट

SVD
- लीनियर अल्जेब्रा और वेक्टर कैलकुलस
- डेटा मैट्रिक्स को तीन मैट्रिक्स में तोड़ता है
- 'सिंगुलर' वैल्यू मिलती हैं
- डेटा का variance लगभग singular values के SS के बराबर

¹ https://galaxydatatech.com/2018/07/15/singular-value-decomposition/

Function/method	returns
`sklearn.decomposition.PCA`	principal component analysis
`sklearn.decomposition.TruncatedSVD`	singular value decomposition
`PCA/SVD.fit_transform(X)`	डेटा को fit और transform करता है
`PCA/SVD.explained_variance_ratio_`	PCs द्वारा समझाया गया variance

Python में Machine Learning इंटरव्यू प्रश्नों का अभ्यास