Referencia de bolsillo sobre aprendizaje automático

Capítulo 17. Reducción de la dimensionalidad

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Existen muchas técnicas para descomponer características en un subconjunto más pequeño. Esto puede ser útil para el análisis exploratorio de datos, la visualización, la elaboración de modelos predictivos o la agrupación.

En este capítulo exploraremos el conjunto de datos Titanic utilizando diversas técnicas. Examinaremos PCA, UMAP, t-SNE y PHATE.

Estos son los datos:

>>> ti_df = tweak_titanic(orig_df)
>>> std_cols = "pclass,age,sibsp,fare".split(",")
>>> X_train, X_test, y_train, y_test = get_train_test_X_y(
...     ti_df, "survived", std_cols=std_cols
... )
>>> X = pd.concat([X_train, X_test])
>>> y = pd.concat([y_train, y_test])

PCA

El Análisis de Componentes Principales (ACP) toma una matriz (X) de filas (muestras) y columnas (características). El ACP devuelve una nueva matriz que tiene columnas que son combinaciones lineales de las columnas originales. Estas combinaciones lineales maximizan la varianza.

Cada columna es ortogonal (un ángulo recto) a las demás columnas. Las columnas se ordenan por orden decreciente de varianza.

Scikit-learn tiene una implementación de este modelo. Es mejor normalizar los datos antes de ejecutar el algoritmo. Después de llamar al método .fit, tendrás acceso a un atributo .explained_variance_ratio_ atributo que enumera el porcentaje de varianza de cada columna.

El ACP es útil para visualizar ...