Anvendelse af dimensionsreduktion

I denne lektion anvender vi Principal Component Analysis (PCA) til at reducere et datasæts dimensionalitet. Det gør det lettere at forenkle datasættet, samtidig med at vigtige oplysninger bevares.

Vi bruger Iris-datasættet, som indeholder målinger af blomsterarter:

• Egenskaber: Bægerbladets længde, bægerbladets bredde, kronbladets længde og kronbladets bredde.
• Mål: Art (Setosa, Versicolor, Virginica).

Vi starter med at importere de nødvendige biblioteker og indlæse datasættet:

import pandas as pd
from sklearn.datasets import load_iris

# Load Iris dataset
data = load_iris()
X = pd.DataFrame(data.data, columns=data.feature_names)
y = data.target
print(X.head())

PCA er følsom over for dataenes skala, så vi standardiserer dem ved hjælp af StandardScaler:

from sklearn.preprocessing import StandardScaler

# Standardize the data
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

Vi anvender PCA for at reducere datasættet til 2 hovedkomponenter:

from sklearn.decomposition import PCA

# Apply PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)
print(f"Explained Variance Ratio: {pca.explained_variance_ratio_}")

Vi kan visualisere det omdannede datasæt i et todimensionalt rum for at se, hvordan arterne grupperes:

import matplotlib.pyplot as plt

# Scatter plot of PCA results
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y, cmap='viridis')
plt.xlabel('Principal Component 1')
plt.ylabel('Principal Component 2')
plt.title('PCA Results')
plt.colorbar(label='Species')
plt.show()

PCA-plottet viser, hvordan dataene er fordelt i de reducerede dimensioner. Punkter fra samme art har tendens til at gruppere sig, hvilket viser, at klyngedannelsen er effektiv.

PCA har flere fordele:

• Reducerer dataenes dimensionalitet, så de bliver lettere at visualisere.
• Fjerner støj og overflødige egenskaber.
• Forbedrer den beregningsmæssige effektivitet for store datasæt.

Nogle af PCA's begrænsninger er:

• Tab af fortolkelighed for omdannede egenskaber.
• Følsomhed over for egenskabernes skala.
• Kan muligvis ikke opfange komplekse, ikke-lineære sammenhænge i dataene.

I denne lektion:

• Anvendte vi PCA på Iris-datasættet til dimensionsreduktion.
• Visualiserede vi resultaterne og så, hvordan arterne grupperes i et todimensionalt rum.
• Gennemgik vi fordelene ved og udfordringerne ved PCA.

Derefter undersøger vi avancerede begreber inden for deep learning, begyndende med kunstige neurale netværk.