7.5. Unüberwachte Dimensionsreduktion

Wenn Ihre Anzahl von Merkmalen hoch ist, kann es nützlich sein, diese vor den überwachten Schritten mit einem unüberwachten Schritt zu reduzieren. Viele der Unüberwachtes Lernen Methoden implementieren eine transform Methode, die zur Dimensionsreduktion verwendet werden kann. Im Folgenden werden zwei spezifische Beispiele dieses Musters diskutiert, die häufig verwendet werden.

Pipelining

Die unüberwachte Datenreduktion und der überwachte Schätzer können in einem Schritt verkettet werden. Siehe Pipeline: Verkettung von Schätzern.

7.5.1. PCA: Hauptkomponentenanalyse

decomposition.PCA sucht nach einer Kombination von Merkmalen, die die Varianz der ursprünglichen Merkmale gut erfassen. Siehe Zerlegung von Signalen in Komponenten (Matrixfaktorisierungsprobleme).

Beispiele

• Gesichtserkennungsbeispiel mit Eigenfaces und SVMs

7.5.2. Zufällige Projektionen

Das Modul: random_projection bietet mehrere Werkzeuge zur Datenreduktion durch zufällige Projektionen. Siehe den entsprechenden Abschnitt der Dokumentation: Zufällige Projektion.

Beispiele

• Die Johnson-Lindenstrauss-Schranke für Einbettung mit zufälligen Projektionen

7.5.3. Feature-Agglomeration

cluster.FeatureAgglomeration wendet Hierarchisches Clustering an, um Merkmale zu gruppieren, die sich ähnlich verhalten.

Beispiele

• Merkmalsagglomeration vs. univariate Auswahl

• Merkmalsagglomeration

Feature-Skalierung

Beachten Sie, dass bei sehr unterschiedlichen Skalierungen oder statistischen Eigenschaften der Merkmale cluster.FeatureAgglomeration möglicherweise nicht in der Lage ist, die Verbindungen zwischen verwandten Merkmalen zu erfassen. Die Verwendung eines preprocessing.StandardScaler kann in diesen Fällen nützlich sein.