आयाम-न्यूनन का अनुप्रयोग

इस पाठ में हम किसी डेटा-समुच्चय की आयामिता घटाने के लिए प्रधान घटक विश्लेषण (PCA) लागू करेंगे। इससे मुख्य जानकारी बनाए रखते हुए डेटा-समुच्चय को सरल बनाने में सहायता मिलती है।

हम आइरिस डेटा-समुच्चय का उपयोग करेंगे, जिसमें फूलों की प्रजातियों के माप शामिल हैं:

• विशेषताएँ: बाह्यदल की लंबाई, बाह्यदल की चौड़ाई, दल की लंबाई और दल की चौड़ाई।
• लक्ष्य: प्रजातियाँ (Setosa, Versicolor, Virginica)।

हम आवश्यक पुस्तकालयों को आयात करके और डेटा-समुच्चय लोड करके शुरुआत करेंगे:

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 डेटा के पैमाने के प्रति संवेदनशील है, इसलिए हम StandardScaler का उपयोग करके इसे मानकीकृत करते हैं:

from sklearn.preprocessing import StandardScaler

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

हम डेटा-समुच्चय को 2 प्रधान घटकों तक सीमित करने के लिए PCA लागू करते हैं:

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_}")

प्रजातियाँ किस प्रकार समूहित होती हैं, यह देखने के लिए हम रूपांतरित डेटा-समुच्चय का 2D स्थान में दृश्यांकन कर सकते हैं:

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 का आलेख दिखाता है कि घटाए गए आयामों में डेटा किस प्रकार वितरित है। एक ही प्रजाति के बिंदु सामान्यतः एक साथ समूहित होते हैं, जो प्रभावी समूहकरण का संकेत देता है।

PCA के कई लाभ हैं:

• डेटा की आयामिता घटाता है, जिससे उसका दृश्यांकन आसान हो जाता है।
• शोर और अनावश्यक विशेषताओं को हटाता है।
• बड़े डेटा-समुच्चयों के लिए गणनात्मक दक्षता सुधारता है।

PCA की कुछ सीमाएँ हैं:

• रूपांतरित विशेषताओं की व्याख्येयता कम हो जाती है।
• विशेषताओं के पैमाने के प्रति संवेदनशीलता।
• यह डेटा में मौजूद जटिल, गैर-रेखीय संबंधों को दर्शाने में सक्षम नहीं हो सकता।

इस पाठ में हमने:

• आयामिता घटाने के लिए आइरिस डेटा-समुच्चय पर PCA लागू किया।
• परिणामों का दृश्यांकन किया और 2D स्थान में प्रजातियों का समूहकरण देखा।
• PCA के लाभों और चुनौतियों पर चर्चा की।

अगले चरण में हम कृत्रिम तंत्रिका-जाल से शुरुआत करते हुए उन्नत गहन शिक्षण की अवधारणाओं का अध्ययन करेंगे।