Özet - PCA
- Makine Öğrenmesi kursu
- Orta seviye
- Ders 74/112
- 6 dk
Bu grupta PCA, varyans ve n_components'i öğrendin.
Özet: PCA
Bu grupta:
- PCA veriyi en büyük varyans yönlerine döndürür; bileşenler birbirine diktir.
- Önce ölçekleme şarttır; yoksa büyük birimli özellik baskın olur.
- Bileşen varyansları kovaryans matrisinin özdeğerleridir; tüm bileşenlerle PCA kayıpsız bir döndürmedir.
n_components: sayı ya da varyans oranı; en iyisi pipeline içinde CV ile seçilir.inverse_transformyaklaşık geri dönüş;explained_variance_ratio_ve yükler yorumu sağlar.
Uygulama PCA ile sınıflandırma
make_pipeline(StandardScaler(), PCA(), LogisticRegression(max_iter=1000)) için pca__n_components değerlerini [1, 2, 3, 5, 8] arasında GridSearchCV(..., cv=5) ile ara. best_params_ ve best_score_'u (round(..., 3)) alt alta yazdır.
Başlangıç kodu
from sklearn.datasets import load_wine
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
X, y = load_wine(return_X_y=True)
# buraya yazÖrnek çözüm
from sklearn.datasets import load_wine
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
X, y = load_wine(return_X_y=True)
pipe = make_pipeline(StandardScaler(), PCA(), LogisticRegression(max_iter=1000))
gs = GridSearchCV(pipe, {"pca__n_components": [1, 2, 3, 5, 8]}, cv=5).fit(X, y)
print(gs.best_params_)
print(round(gs.best_score_, 3))Beklenen çıktı
{'pca__n_components': 8}
0.978
Soru ve cevaplar
Dersin sorularını cevaplarıyla birlikte inceleyebilirsin. Kendini denemek istersen dersi interaktif olarak çöz.
1 PCA hangi tür ilişkileri yakalayamaz?
- Hepsini yakalar
- Doğrusal olmayan yapılar (ör. spiral) Doğru cevap
- Doğrusal korelasyonlar
- Varyans farkları
Açıklama: PCA doğrusal bir dönüşümdür; kıvrımlı yapılar için t-SNE ya da UMAP gibi yöntemler gerekir.
2 Varyansın %95'ini koruyacak biçimde indir.
Soru
pca = PCA(n_components=____)
Cevap
pca = PCA(n_components=0.95)Açıklama: 0-1 arası değer varyans oranı olarak yorumlanır.
3 Araçları eşleştir.
| Kavram | Anlamı |
|---|---|
PCA |
Doğrusal boyut indirgeme |
StandardScaler |
PCA öncesi |
np.linalg.eigvalsh |
Özdeğerler |
GridSearchCV |
Bileşen sayısı seçimi |