ML | Анализ главных компонентов (PCA)

Опубликовано: 25 Июля, 2021

Анализ главных компонентов (PCA) - это статистическая процедура, в которой используется ортогональное преобразование, которое преобразует набор коррелированных переменных в набор некоррелированных переменных. PCA - это наиболее широко используемый инструмент в исследовательском анализе данных и в машинном обучении для прогнозных моделей. Более того, PCA - это неконтролируемый статистический метод, используемый для изучения взаимосвязей между набором переменных. Он также известен как общий факторный анализ, при котором регрессия определяет линию наилучшего соответствия.

Необходим модуль:

 import pandas as pd
 import numpy as np
 import matplotlib.pyplot as plt
 import seaborn as sns
 % matplotlib inline 

Код №1:

 # Here we are using inbuilt dataset of scikit learn
 from sklearn.datasets import load_breast_cancer
 
# instantiating
 cancer = load_breast_cancer()
 
# creating dataframe
 df = pd.DataFrame(cancer[ 'data' ], columns = cancer[ 'feature_names' ])
 
# checking head of dataframe
 df.head()

Выход:

Код №2:

 # Importing standardscalar module
 from sklearn.preprocessing import StandardScaler
 
scalar = StandardScaler()
 
# fitting
 scalar.fit(df)
 scaled_data = scalar.transform(df)
 
# Importing PCA
 from sklearn.decomposition import PCA
 
# Let's say, components = 2
 pca = PCA(n_components = 2 )
 pca.fit(scaled_data)
 x_pca = pca.transform(scaled_data)
 
x_pca.shape

Выход:
# Уменьшено до 569, 2

# giving a larger plot
plt.figure(figsize =(8, 6))
  
plt.scatter(x_pca[:, 0], x_pca[:, 1], c = cancer["target"], cmap ="plasma")
  
# labeling x and y axes
plt.xlabel("First Principal Component")
plt.ylabel("Second Principal Component")

Выход:

 # components
 pca.components_

Выход:

 df_comp = pd.DataFrame(pca.components_, columns = cancer[ 'feature_names' ])
 
plt.figure(figsize = ( 14 , 6 ))
 
# plotting heatmap
 sns.heatmap(df_comp)

Выход:

Машинное обучение Продвинутая компьютерная тематика

ML | Анализ главных компонентов (PCA)

РЕКОМЕНДУЕМЫЕ СТАТЬИ