Lära Urval av Egenskaper vs. Extraktion av Egenskaper | Introduktion till Dimensionsreduktion

Högdimensionella datamängder har ofta fler egenskaper än nödvändigt. Du kan minska antalet egenskaper med två huvudsakliga strategier: feature selection och feature extraction.

Feature selection innebär att endast behålla de mest betydelsefulla ursprungliga egenskaperna – som att välja dina favoritfrukter ur en korg;
Feature extraction skapar nya egenskaper genom att kombinera eller transformera de ursprungliga – som att mixa alla frukterna till en smoothie.

Principal Component Analysis (PCA) är en vanlig metod för feature extraction, som du kommer att utforska mer i detalj senare.


              12345678910111213141516171819202122
            
import pandas as pd
from sklearn.decomposition import PCA

# Example dataset
data = {
    'height': [150, 160, 170, 180],
    'weight': [50, 60, 70, 80],
    'age':    [20, 25, 30, 35],
    'score':  [85, 90, 95, 100]
}
df = pd.DataFrame(data)

# Feature selection: pick only 'height' and 'weight'
selected_features = df[['height', 'weight']]
print("Selected features (feature selection):")
print(selected_features)

# Feature extraction: combine features using PCA (placeholder, details later)
pca = PCA(n_components=2)
extracted_features = pca.fit_transform(df)
print("\nExtracted features (feature extraction, via PCA):")
print(extracted_features)

Notering

PCA är en kraftfull teknik för feature extraction som skapar nya egenskaper (huvudkomponenter) från dina ursprungliga data. Detaljer om hur PCA fungerar kommer att behandlas i kommande kapitel.

Att minska antalet egenskaper kan hjälpa dig att se mönster som annars kan vara dolda i högre dimensioner. Med hjälp av visualisering kan du plotta utvalda egenskaper för att tydligare visa kluster eller trender. Till exempel kan en visualisering av endast de mest relevanta egenskaperna med seaborn göra relationer i dina data mer framträdande, vilket underlättar tolkning och analys.

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 3

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Suggested prompts:

Can you explain more about how PCA works for feature extraction?

What are some other common feature selection methods?

How do I decide whether to use feature selection or feature extraction?

Awesome!

Completion rate improved to 8.33

Svep för att visa menyn