7.5. Неконтролируемое снижение размерности

Если количество признаков велико, может быть полезно уменьшить его с помощью неконтролируемого шага перед контролируемыми шагами. Многие из Обучение без учителя методы реализуют transform метод, который можно использовать для уменьшения размерности. Ниже мы обсуждаем два конкретных примера этого шаблона, которые широко используются.

Конвейеризация

Неконтролируемое сокращение данных и контролируемый оценщик могут быть объединены в один шаг. См. Конвейер: объединение оценщиков.

7.5.1. PCA: анализ главных компонент

decomposition.PCA ищет комбинацию признаков, которая хорошо отражает дисперсию исходных признаков. См. Разложение сигналов на компоненты (проблемы матричной факторизации).

Примеры

• Пример распознавания лиц с использованием собственных лиц и SVM

7.5.2. Случайные проекции

Модуль: random_projection предоставляет несколько инструментов для уменьшения данных с помощью случайных проекций. См. соответствующий раздел документации: Случайная проекция.

Примеры

• Граница Джонсона-Линденштрауса для вложения с помощью случайных проекций

7.5.3. Агломерация признаков

cluster.FeatureAgglomeration применяет Иерархическая кластеризация для группировки признаков, которые ведут себя схожим образом.

Примеры

• Агломерация признаков против одномерного отбора

• Агломерация признаков

Масштабирование признаков

Обратите внимание, что если признаки имеют сильно различающееся масштабирование или статистические свойства, cluster.FeatureAgglomeration может не улавливать связи между связанными признаками. Использование preprocessing.StandardScaler может быть полезен в этих настройках.