Aplikasi Pengurangan Dimensi

Kami akan bermula dengan mengimport pustaka yang diperlukan dan memuatkan set data:

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 sensitif terhadap skala data, jadi kami menyeragamkannya menggunakan StandardScaler:

from sklearn.preprocessing import StandardScaler

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

Kami menggunakan PCA untuk mengurangkan set data kepada 2 komponen utama:

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_}")

Kami boleh memvisualisasikan set data yang diubah dalam ruang 2D untuk melihat cara spesies dikelompokkan:

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()

Graf PCA menunjukkan cara data diagihkan dalam dimensi yang dikurangkan. Titik daripada spesies yang sama cenderung untuk berkumpul, yang menunjukkan pengelompokan yang berkesan.

PCA menawarkan beberapa manfaat:

• Mengurangkan dimensi data, sekali gus memudahkan visualisasi.
• Menghapuskan hingar dan ciri berlebihan.
• Meningkatkan kecekapan pengiraan untuk set data yang besar.

Beberapa keterbatasan PCA termasuk:

• Kehilangan kebolehtafsiran bagi ciri yang diubah.
• Kepekaan terhadap penskalaan ciri.
• Mungkin tidak menangkap hubungan kompleks yang bukan linear dalam data.

Dalam pelajaran ini, kita telah:

• Menggunakan PCA pada set data Iris untuk pengurangan dimensi.
• Memvisualisasikan hasil dan melihat pengelompokan spesies dalam ruang 2D.
• Membincangkan kelebihan dan cabaran PCA.

Seterusnya, kita akan meneroka konsep pembelajaran mendalam lanjutan, bermula dengan rangkaian neural buatan.