Val av principalkomponenter

Dimensionsreduktion i Python

Jeroen Boeye

Head of Machine Learning, Faktion

Ange ett tröskelvärde för förklarad varians

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_))

Optimalt antal komponenter

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()

förklarad varianskvot

Optimalt antal komponenter

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()

förklarad varianskvot med armbåge

PCA-operationer

Schema för PCA fit transform 1

PCA-operationer

Schema för PCA fit transform 2

PCA-operationer

Schema för PCA fit transform 3

Komprimera bilder

ansikten original

Komprimera bilder

print(X_test.shape)

(15, 2914)

62 x 47 pixlar = 2914 gråskalevärden

print(X_train.shape)

(1333, 2914)

Komprimera bilder

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

pipe.fit(X_train)

pc = pipe.fit_transform(X_test)

print(pc.shape)

(15, 290)

Återskapa bilder

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)

ansikten komprimerade

Återskapa bilder

ansikten original

ansikten komprimerade

Nu kör vi en övning!

Dimensionsreduktion i Python