PCA(주성분 분석)

개념

차원 축소 알고리즘의 하나로 데이터에서 가장 분산이 큰 방향을 찾는 방법이다.

여기서 큰 방향이란 주성분이다. 원본 데이터를 주성분에 투영하여 새로운 특성을 만든다.

 

 

문법

from sklearn.decomposition import PCA      # PCA 모델 사용

# n_components : 주성분의 개수 지정
pca = PCA(n_components=None)
pca.fit(fruits_2d)

# 훈련 세트에서 찾은 주성분
pca.components_

# 차원 축소
pca.transform(fruits_2d)

# 축소된 데이터 복원
pca.inverse_transform(fruits_pca)

# 설명된 분산의 비율
pca.explained_variance_ratio_

 

실습

!wget https://bit.ly/fruits_300_data -O fruits_300.npy  # 데이터

import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA    # PCA모델 사용


fruits = np.load('fruits_300.npy')
fruits_2d = fruits.reshape(-1, 100 * 100)

pca = PCA(n_components=50)
pca.fit(fruits_2d)

draw_fruits(pca.components_.reshape(-1,100,100))

fruits_pca = pca.transform(fruits_2d)
print(fruits_pca.shape)