Pilih Komponen Dengan Plot Scree
Mengekalkan varians diterangkan yang mencukupi
Pilih Komponen Dengan Plot Scree ialah pelajaran Data Science Academy percuma di CoddyKit. Ini ialah pelajaran 4 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Data Science Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Data Science Academy merangkumi sejumlah 4 pelajaran.
Berapa Banyak Hendak Dikekalkan?
PCA boleh menghasilkan berpuluh-puluh komponen, tetapi anda hanya mahukan beberapa yang berguna. Kemahiran sebenar ialah memilih berapa banyak yang hendak dikekalkan.
Kenali Plot Siku
Plot siku memplotkan setiap komponen berbanding varians yang diterangkannya, supaya anda dapat melihat penurunan kepentingan sepintas lalu.
Cari Siku
Varians menurun dengan pantas kemudian menjadi ekor rata. Lengkungan yang dipanggil siku menandakan titik apabila komponen tambahan tidak lagi berbaloi.
Plotkan Nisbah
Latih PCA dengan semua komponen, kemudian plotkan explained_variance_ratio_ untuk melukis lengkung dan mengenal pasti siku itu.
import matplotlib.pyplot as plt
plt.plot(pca.explained_variance_ratio_)Varians Kumulatif
Jumlahkan nisbah tersebut secara berterusan untuk mendapatkan varians kumulatif, yang menunjukkan jumlah maklumat yang dikekalkan oleh k komponen pertama.
import numpy as np
cum = np.cumsum(pca.explained_variance_ratio_)Pilih Ambang
Peraturan umum adalah untuk mengekalkan komponen yang mencukupi bagi mencapai sasaran, seperti 95 peratus daripada jumlah varians yang dikekalkan.
Biarkan scikit-learn Memilih
Hantar pecahan sebagai n_components dan scikit-learn akan mengekalkan komponen yang mencukupi untuk mencapai sasaran varians yang diterangkan itu.
from sklearn.decomposition import PCA
pca = PCA(n_components=0.95).fit(X)Peraturan Kaiser
Satu lagi panduan, peraturan Kaiser, mengekalkan komponen yang nilai eigennya melebihi satu, bermakna komponen tersebut menerangkan lebih banyak berbanding satu ciri tunggal.
Seimbangkan Pertukaran
Komponen yang lebih sedikit menghasilkan model yang lebih mudah dan pantas, tetapi lebih banyak perincian hilang. Pemilihan k sentiasa merupakan pertukaran antara saiz dan ketepatan.
Sahkan pada Peringkat Seterusnya
Nilai k yang terbaik ialah nilai yang membantu tugasan sebenar anda. Cuba beberapa nilai dan bandingkan skor model dengan pengesahan silang.
Berwaspada terhadap Komponen Kecil
Komponen selepas siku selalunya menangkap kebanyakannya hingar. Mengekalkannya jarang membantu dan secara senyap boleh menjejaskan model anda.
Semakan Pantas
Plot scree menunjukkan satu titik petunjuk kepada anda.
Imbas Kembali
Gunakan plot scree, siku, atau ambang varians kumulatif untuk mengekalkan komponen yang mencukupi sahaja, kemudian sahkan k pada peringkat seterusnya. 🎯
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Soalan Lazim
Adakah pelajaran “Pilih Komponen Dengan Plot Scree” percuma?
Ya — teks penuh “Pilih Komponen Dengan Plot Scree” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Data Science Academy, tingkat taraf kepada CoddyKit PRO. Kursus Data Science Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Pilih Komponen Dengan Plot Scree”?
Mengekalkan varians diterangkan yang mencukupi Anda berlatih Data Science Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Data Science Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Data Science Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 4 daripada 4.
Berapa lamakah pelajaran “Pilih Komponen Dengan Plot Scree” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Data Science Academy ini?
Ya. Setiap pelajaran Data Science Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Sumpahan Terlalu Banyak Ciri
- Cara PCA Mencari Komponen
- Skalakan Dahulu, Kemudian Padankan PCA
- Pilih Komponen Dengan Plot Scree