Вибір головних компонент

Зменшення розмірності в Python

Jeroen Boeye

Head of Machine Learning, Faktion

Встановлення порога поясненої дисперсії

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_))

Оптимальна кількість 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()

частка поясненої дисперсії

Оптимальна кількість 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()

злам кривої частки поясненої дисперсії

Операції PCA

схема PCA fit/transform 1

Операції PCA

схема PCA fit/transform 2

Операції PCA

схема PCA fit/transform 3

Стиснення зображень

обличчя: оригінал

Стиснення зображень

print(X_test.shape)

(15, 2914)

62 × 47 пікселів = 2914 відтінків сірого

print(X_train.shape)

(1333, 2914)

Стиснення зображень

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

pipe.fit(X_train)

pc = pipe.fit_transform(X_test)

print(pc.shape)

(15, 290)

Відновлення зображень

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)

обличчя: після стиснення

Відновлення зображень

обличчя: оригінал

обличчя: після стиснення

Давайте потренуємось!

Зменшення розмірності в Python