Özet - Boyut indirgeme

Bu grupta PCA, t-SNE ve boyut indirgeme avantajlarını öğrendin.

Özet: boyut indirgeme

Bu grupta:

İki aile: özellik seçimi (özgün sütunlar) ve özellik çıkarımı (yeni sütunlar).
Nedenler: hız, gürültü azaltma, görselleştirme, boyutun laneti.
PCA doğrusal ve yeni veriye uygulanabilir; t-SNE yerel komşulukları koruyan bir görselleştirme aracıdır.
2 boyutlu haritalar sınıf ayrılabilirliği ve karışacak sınıflar hakkında ipucu verir.
Kazanç her zaman indirgemesiz modelle karşılaştırılarak ölçülür; KernelPCA doğrusal olmayan yapılar için.

Uygulama İndirgemenin kazancı

Rakam verisinde make_pipeline(StandardScaler(), PCA(n_components=20), SVC()) kur. Önce olduğu gibi, sonra set_params(pca="passthrough") ile 5 katlı CV doğruluğunu hesapla. İki skoru round(..., 3) ile aynı satırda yazdır (önce PCA'lı).

Örnek çözümü göster

import numpy as np
from sklearn.datasets import load_digits

X, y = load_digits(return_X_y=True)
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.svm import SVC
from sklearn.model_selection import cross_val_score

pipe = make_pipeline(StandardScaler(), PCA(n_components=20), SVC())
a = cross_val_score(pipe, X, y, cv=5).mean()
pipe.set_params(pca="passthrough")
b = cross_val_score(pipe, X, y, cv=5).mean()
print(round(a, 3), round(b, 3))

Kendini test et

Bir modelde pipeline içinde boyut indirgeme için hangisi kullanılamaz?
- PCA
- KernelPCA
- SelectKBest
- TSNE
Cevabı göster

TSNE — TSNE'nin transform yöntemi yoktur; test verisi aynı uzaya taşınamaz.
İndirgeme adımını kapatıp karşılaştır.
```
pipe.set_params(pca=____)
```
Cevabı göster
```
pipe.set_params(pca="passthrough")
```
Araçları eşleştir.

load_digits

8x8 rakam görüntüleri
TSNE

2B görselleştirme
KernelPCA

Kıvrımlı yapılar
explained_variance_ratio_

Haritadaki bilgi payı

Sıradaki ders: Özellik seçimi nedir?

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler