Порівняння Продуктивності Моделі До Та Після PCA
PCA може використовуватися як етап попередньої обробки перед навчанням моделей машинного навчання. У цьому розділі ви порівняєте ефективність класифікатора LogisticRegression на оригінальних стандартизованих даних та на даних, зведених до двох головних компонент. Такий практичний підхід демонструє, як зниження розмірності може впливати як на ефективність, так і на продуктивність ваших моделей.
123456789101112131415161718192021222324from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # Split data into train and test sets X_train, X_test, y_train, y_test = train_test_split(X_scaled, data.target, test_size=0.3, random_state=42) # Train on original data clf_orig = LogisticRegression(max_iter=200) clf_orig.fit(X_train, y_train) y_pred_orig = clf_orig.predict(X_test) acc_orig = accuracy_score(y_test, y_pred_orig) # Train on PCA-reduced data (2 components) pca = PCA(n_components=2) X_train_pca = pca.fit_transform(X_train) X_test_pca = pca.transform(X_test) clf_pca = LogisticRegression(max_iter=200) clf_pca.fit(X_train_pca, y_train) y_pred_pca = clf_pca.predict(X_test_pca) acc_pca = accuracy_score(y_test, y_pred_pca) print(f"Accuracy on original data: {acc_orig:.2f}") print(f"Accuracy after PCA (2 components): {acc_pca:.2f}")
Наведений вище код розділяє дані, навчає модель логістичної регресії як на оригінальних, так і на PCA-знижених даних, та порівнює їхню точність. Зверніть увагу, що ідеальна точність 1.0 на оригінальних даних може свідчити про перенавчання, коли модель занадто точно підлаштовується під тренувальні дані і може погано узагальнювати нові дані. Застосування PCA зменшує розмірність, що може допомогти зменшити перенавчання. Після PCA точність трохи знижується до 0.91, що демонструє кращий баланс між продуктивністю та узагальненням, а також підвищує швидкість і зрозумілість моделі.
Дякуємо за ваш відгук!
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Awesome!
Completion rate improved to 8.33Порівняння Продуктивності Моделі До Та Після PCA
Свайпніть щоб показати меню
PCA може використовуватися як етап попередньої обробки перед навчанням моделей машинного навчання. У цьому розділі ви порівняєте ефективність класифікатора LogisticRegression на оригінальних стандартизованих даних та на даних, зведених до двох головних компонент. Такий практичний підхід демонструє, як зниження розмірності може впливати як на ефективність, так і на продуктивність ваших моделей.
123456789101112131415161718192021222324from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # Split data into train and test sets X_train, X_test, y_train, y_test = train_test_split(X_scaled, data.target, test_size=0.3, random_state=42) # Train on original data clf_orig = LogisticRegression(max_iter=200) clf_orig.fit(X_train, y_train) y_pred_orig = clf_orig.predict(X_test) acc_orig = accuracy_score(y_test, y_pred_orig) # Train on PCA-reduced data (2 components) pca = PCA(n_components=2) X_train_pca = pca.fit_transform(X_train) X_test_pca = pca.transform(X_test) clf_pca = LogisticRegression(max_iter=200) clf_pca.fit(X_train_pca, y_train) y_pred_pca = clf_pca.predict(X_test_pca) acc_pca = accuracy_score(y_test, y_pred_pca) print(f"Accuracy on original data: {acc_orig:.2f}") print(f"Accuracy after PCA (2 components): {acc_pca:.2f}")
Наведений вище код розділяє дані, навчає модель логістичної регресії як на оригінальних, так і на PCA-знижених даних, та порівнює їхню точність. Зверніть увагу, що ідеальна точність 1.0 на оригінальних даних може свідчити про перенавчання, коли модель занадто точно підлаштовується під тренувальні дані і може погано узагальнювати нові дані. Застосування PCA зменшує розмірність, що може допомогти зменшити перенавчання. Після PCA точність трохи знижується до 0.91, що демонструє кращий баланс між продуктивністю та узагальненням, а також підвищує швидкість і зрозумілість моделі.
Дякуємо за ваш відгук!
