6.5. Неконтролируемое снижение размерности

Если у вас большое количество признаков, может быть полезно уменьшить их с помощью неконтролируемого шага перед контролируемыми шагами. Многие из методов обучения без учителя реализуют метод преобразования, который можно использовать для снижения размерности. Ниже мы обсудим два конкретных примера этого шаблона, которые активно используются.

Pipelining

Неконтролируемое сокращение данных и контролируемая оценка могут быть объединены в один этап. См. Конвейер: цепочка оценок.

6.5.1. PCA: анализ главных компонентов

decomposition.PCA ищет комбинацию признаков, которая хорошо отражает дисперсию исходных признаков. См. Анализ главных компонент (Principal component analysis - PCA).

Примеры

• Faces recognition example using eigenfaces and SVMs

6.5.2. Случайные проекции

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

Примеры

• The Johnson-Lindenstrauss bound for embedding with random projections

6.5.3. Агломерация признаков

cluster.FeatureAgglomeration применяет Иерархическая кластеризация для группировки объектов, которые ведут себя одинаково.

Примеры

• Feature agglomeration vs. univariate selection

• Feature agglomeration

Масштабирование признаков

Обратите внимание: если объекты имеют очень разные масштабные или статистические свойства, cluster.FeatureAglomeration может не суметь уловить связи между связанными объектами. Использование preprocessing.StandardScaler может быть полезно в этих настройках.