지난번
쓰쿠바 대학의 기계 학습 강좌 : 과제의 파이썬 스크립트 부분을 만들면서 sklearn 공부 (16)
htps : // 기주 b. 이 m / ぇ가 cy를 rld / sk

과제 8.7 주성분 분석의 예

Youtube에서의 해설:제9회(1) 30분당
과제 8.3은 Cluster3를 잘 재현할 수 없었기 때문에 포기했다.

언제나 아야메 데이터를 주성분 분석하는 문제.
프로그램으로서는 scikit-learn은 간단. 그래프의 부분만 pandas의 scatter_matrix를 사용하는 것이 지금까지와 조금 다를 뿐.

Homework_8.7.py

# 課題 8.7 主成分分析の例
# Youtubeでの解説：第9回(1) 30  分あたり
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris  
from sklearn.decomposition import PCA

iris = load_iris()
pca = PCA()
X = iris['data']
y = iris['target']
# 主成分分析
pca.fit(X)
transformed = pca.fit_transform(X)
# 寄与率
print(pca.explained_variance_ratio_)
# 描画
fig, ax = plt.subplots()
iris_dataframe = pd.DataFrame(transformed, columns=[0,1,2,3])
Axes = pd.plotting.scatter_matrix(iris_dataframe, c=y, figsize=(50, 50),ax=ax)
plt.savefig("8.7.png")

기여율

[0.92461872 0.05306648 0.01710261 0.00521218]

그래프


제1 주성분의 기여율이 0.92로, 그래프를 봐도 좌단(제1 주성분)은 클리어로 나누어져 있는 것을 알 수 있다.
그러므로 setosa의 분류기는 제1주성분만으로 92.5%분류 할 수 있고, 4성분으로 해도 상당히 오르지 않으므로, 제1주성분만으로 좋다는 것.

과거 게시물

쓰쿠바 대학의 기계 학습 강좌 : 과제의 파이썬 스크립트 부분을 만들면서 sklearn 공부 (1)
쓰쿠바 대학의 기계 학습 강좌 : 과제의 Python 스크립트 부분을 만들면서 sklearn 공부 (2)
쓰쿠바 대학의 기계 학습 강좌 : 과제의 파이썬 스크립트 부분을 만들면서 sklearn 공부 (3)
쓰쿠바 대학의 기계 학습 강좌 : 과제의 Python 스크립트 부분을 만들면서 sklearn 공부 (4)
쓰쿠바 대학의 기계 학습 강좌 : 과제의 파이썬 스크립트 부분을 만들면서 sklearn 공부 (5)
쓰쿠바 대학의 기계 학습 강좌 : 과제의 파이썬 스크립트 부분을 만들면서 sklearn 공부 (6)
쓰쿠바 대학의 기계 학습 강좌 : 과제의 파이썬 스크립트 부분을 만들면서 sklearn 공부 (7)
쓰쿠바 대학의 기계 학습 강좌 : 과제의 파이썬 스크립트 부분을 만들면서 sklearn 공부 (8)
쓰쿠바 대학의 기계 학습 강좌 : 과제의 파이썬 스크립트 부분을 만들면서 sklearn 공부 (9)
쓰쿠바 대학의 기계 학습 강좌 : 과제의 파이썬 스크립트 부분을 만들면서 sklearn 공부 (10)
쓰쿠바 대학의 기계 학습 강좌 : 과제의 파이썬 스크립트 부분을 만들면서 sklearn 공부 (11)
쓰쿠바 대학의 기계 학습 강좌 : 과제의 파이썬 스크립트 부분을 만들면서 sklearn 공부 (12)
쓰쿠바 대학의 기계 학습 강좌 : 과제의 파이썬 스크립트 부분을 만들면서 sklearn 공부 (13)
쓰쿠바 대학의 기계 학습 강좌 : 과제의 Python 스크립트 부분을 만들면서 sklearn 공부 (14)
쓰쿠바 대학의 기계 학습 강좌 : 과제의 파이썬 스크립트 부분을 만들면서 sklearn 공부 (15)
htps : // 기주 b. 이 m / ぇ가 cy를 rld / sk
htps : // 오 cw. 쓰쿠바. 아 c. jp / rs / sys teminfu r 마이 온 / 마치 네 ぇ r 마늘 g /