Trong hướng dẫn Python này, chúng ta sẽ tìm hiểu Cách Scikit học phi tuyến tính hoạt động và chúng tôi cũng sẽ đề cập đến các ví dụ khác nhau liên quan đến Scikit học phi tuyến tính. Ngoài ra, chúng tôi sẽ bao gồm các chủ đề này
- Scikit học phi tuyến tính
- Scikit học hồi quy phi tuyến tính
- Scikit tìm hiểu ví dụ hồi quy phi tuyến tính
- Scikit học SVM phi tuyến tính
- Scikit học mô hình phi tuyến tính
- Scikit tìm hiểu một bộ phân loại phi tuyến tính
- Scikit học giảm kích thước phi tuyến tính
- Scikit học PCA phi tuyến tính
Trước khi tiếp tục với hướng dẫn này, chúng tôi khuyên bạn nên đọc Scikit Learn in Python là gì
Mục lục
- Scikit học phi tuyến tính
- Scikit học hồi quy phi tuyến tính
- Scikit tìm hiểu ví dụ hồi quy phi tuyến tính
- Scikit học SVM phi tuyến tính
- Scikit học mô hình phi tuyến tính
- Scikit tìm hiểu một bộ phân loại phi tuyến tính
- Scikit học giảm kích thước phi tuyến tính
- Scikit học PCA phi tuyến tính
Scikit học phi tuyến tính
Trong phần này, chúng ta sẽ tìm hiểu cách Scikit học phi tuyến tính hoạt động trong pythonMã số
Trong đoạn mã sau, chúng tôi sẽ nhập một số thư viện mà từ đó chúng tôi có thể tạo scikit learn phi tuyến tính
- x = số. sắp xếp [5 * số. ngẫu nhiên. rand[42, 1], axis=0] được sử dụng để tạo cùng một dữ liệu
- y[. 5] += 3 * [0. 5 – số. ngẫu nhiên. rand[9]] được sử dụng để thêm nhiễu vào các mục tiêu
- svrrbf = SVR[kernel=”rbf”, C=100, gamma=0. 1, epsilon=0. 1] đã quen với mô hình hồi quy
- lw = 2 được sử dụng để xem kết quả
- hình, trục = cốt truyện. subplots[nrows=1, ncols=3, figsize=[15, 10], sharey=True] được sử dụng để vẽ đồ thị hình và trục trên màn hình
- trục[ix]. cốt truyện [x, svr. phù hợp [x, y]. dự đoán[x],color=model_color[ix],lw=lw,label{}model”. format[kernel_label[ix]],] được sử dụng để vẽ trục trên màn hình
- trục[ix]. phân tán [x [svr. hỗ trợ_],y[svr. support_],facecolor=”none”,edgecolor=model_color[ix],s=50,label=”{} vectơ hỗ trợ”. format[kernel_label[ix]],] được sử dụng để vẽ biểu đồ phân tán trên màn hình
- quả sung. văn bản [0. 5, 0. 04, “data”, ha=”center”, va=”center”] được dùng để chuyển văn bản thành hình
import numpy as num
from sklearn.svm import SVR
import matplotlib.pyplot as plot
x = num.sort[5 * num.random.rand[42, 1], axis=0]
y = num.sin[x].ravel[]
y[::5] += 3 * [0.5 - num.random.rand[9]]
svrrbf = SVR[kernel="rbf", C=100, gamma=0.1, epsilon=0.1]
lw = 2
svrs = [svrrbf]
kernel_label = ["RBF"]
model_color = ["m"]
fig, axes = plot.subplots[nrows=1, ncols=3, figsize=[15, 10], sharey=True]
for ix, svr in enumerate[svrs]:
axes[ix].plot[
x,
svr.fit[x, y].predict[x],
color=model_color[ix],
lw=lw,
label="{} model".format[kernel_label[ix]],
]
axes[ix].scatter[
x[svr.support_],
y[svr.support_],
facecolor="none",
edgecolor=model_color[ix],
s=50,
label="{} support vectors".format[kernel_label[ix]],
]
axes[ix].scatter[
x[num.setdiff1d[num.arange[len[x]], svr.support_]],
y[num.setdiff1d[num.arange[len[x]], svr.support_]],
facecolor="none",
edgecolor="r",
s=50,
label="other training data",
]
fig.text[0.5, 0.04, "data", ha="center", va="center"]
fig.text[0.06, 0.5, "target", ha="center", va="center", rotation="vertical"]
plot.show[]
đầu ra
Sau khi chạy đoạn mã trên, chúng tôi nhận được đầu ra sau, trong đó chúng tôi có thể thấy rằng dữ liệu phi tuyến tính được hiển thị trên màn hình
Đọc. Hồi quy logistic học Scikit
Scikit học hồi quy phi tuyến tính
Trong phần này, chúng ta sẽ tìm hiểu cách Scikit học hồi quy phi tuyến tính hoạt động trong python
- Hồi quy được định nghĩa là một kỹ thuật học máy có giám sát. Có hai loại thuật toán hồi quy Tuyến tính và phi tuyến tính
- Ở đây chúng ta có thể sử dụng kỹ thuật hồi quy phi tuyến tính được sử dụng để mô tả tính phi tuyến tính và tham số của nó phụ thuộc vào một hoặc nhiều biến độc lập
Mã số
Trong đoạn mã sau, chúng ta sẽ tìm hiểu một số thư viện để từ đó chúng ta có thể tạo mô hình hồi quy phi tuyến tính
- df = pds. read_csv[“regressionchina_gdp. csv”] được sử dụng để đọc tệp mà chúng tôi đang nhập
- kịch bản. figure[figsize=[8,5]] được sử dụng để vẽ đồ thị
- x_data, y_data = [df[“Năm”]. giá trị, df[“Giá trị”]. các giá trị] được sử dụng để mô tả các giá trị và năm
- kịch bản. plot[x_data, y_data, ‘ro’] được sử dụng vẽ dữ liệu x và dữ liệu y
- kịch bản. ylabel['GDP'] được sử dụng để vẽ nhãn y
- kịch bản. xlabel[‘Year’] được sử dụng để vẽ nhãn x
import numpy as num
import pandas as pds
import matplotlib.pyplot as plot
df = pds.read_csv["regressionchina_gdp.csv"]
df.head[10]
plot.figure[figsize=[8,5]]
x_data, y_data = [df["Year"].values, df["Value"].values]
plot.plot[x_data, y_data, 'ro']
plot.ylabel['GDP']
plot.xlabel['Year']
plot.show[]
Trong đoạn mã sau, chúng tôi chọn một mô hình để vẽ hồi quy tuyến tính trên màn hình
- kịch bản. plot[x,y] được sử dụng để vẽ x và y trên màn hình
- kịch bản. ylabel['Dependent Variable'] được sử dụng để vẽ nhãn y trên màn hình
- kịch bản. xlabel['Independent Variable'] được sử dụng để vẽ ylabel trên màn hình
x = np.arange[-5.0, 5.0, 0.1]
y = 1.0 / [1.0 + np.exp[-x]]
plot.plot[x,y]
plot.ylabel['Dependent Variable']
plot.xlabel['Indepdendent Variable']
plot.show[]
Ở đây, chúng ta có thể sử dụng hàm logistic để xây dựng mô hình phi tuyến tính của mình
Bây giờ, cốt truyện. cốt truyện [x_data, Y_pred*15000000000000. ] được sử dụng để vẽ vị trí ban đầu đối với các điểm dữ liệu
def sigmoid[x, Beta_1, Beta_2]:
y = 1 / [1 + np.exp[-Beta_1*[x-Beta_2]]]
return y
beta1 = 0.10
beta2 = 1990.0
#logistic function
Y_pred = sigmoid[x_data, beta1 , beta2]
plot.plot[x_data, Y_pred*15000000000000.]
plot.plot[x_data, y_data, 'ro']
Tại đây, chúng tôi có thể chuẩn hóa dữ liệu của mình để làm cho đường cong phù hợp nhất
- kịch bản. figure[figsize=[8,5]] được sử dụng để vẽ hình trên màn hình
- kịch bản. plot[xdata, ydata, ‘ro’, label=’data’] được sử dụng để vẽ ydata và xdata trên màn hình
- kịch bản. cốt truyện [x, y, băng thông đường truyền = 3. 0, label=’fit’] được sử dụng để vẽ đường vừa khít trên màn hình
xdata =x_data/max[x_data]
ydata =y_data/max[y_data]
from scipy.optimize import curve_fit
popt, pcov = curve_fit[sigmoid, xdata, ydata]
# Now we plot our resulting regression model.
x = np.linspace[1960, 2015, 55]
x = x/max[x]
plot.figure[figsize=[8,5]]
y = sigmoid[x, *popt]
plot.plot[xdata, ydata, 'ro', label='data']
plot.plot[x,y, linewidth=3.0, label='fit']
plot.legend[loc='best']
plot.ylabel['GDP']
plot.xlabel['Year']
plot.show[]
Sau khi chạy đoạn mã trên, chúng tôi nhận được đầu ra sau, trong đó chúng tôi có thể thấy rằng đường phù hợp nhất phi tuyến tính được vẽ trên màn hình
Đọc. Scikit tìm hiểu Cây quyết định
Scikit tìm hiểu ví dụ hồi quy phi tuyến tính
Trong phần này, chúng ta sẽ tìm hiểu về cách Scikit học ví dụ hồi quy phi tuyến tính hoạt động trong python
Hồi quy phi tuyến tính được định nghĩa là hồi quy bậc hai xây dựng mối quan hệ giữa các biến phụ thuộc và biến độc lập. Dữ liệu này được thể hiện bằng một đường cong
Mã số
Trong đoạn mã sau, chúng tôi sẽ nhập một số thư viện theo đó một ví dụ hồi quy phi tuyến tính hoạt động
- df = pds. read_csv[“regressionchina_gdp. csv”] được sử dụng để đọc tệp csv mà chúng tôi đang tải
- y = 1 / [1 + np. exp[-Beta_1*[x-Beta_2]]] được sử dụng để xác định hàm sigmoid
- ypred = sigmoid[x_data, beta1, beta2] được sử dụng làm hàm hậu cần
- kịch bản. cốt truyện [x_data, ypred * 16000000000000. ] được sử dụng để vẽ sơ đồ dự đoán ban đầu đối với các điểm dữ liệu
- kịch bản. plot[x_data, y_data, ‘go’] được sử dụng để vẽ x_data và y_data trên biểu đồ
import numpy as num
import pandas as pds
import matplotlib.pyplot as plot
df = pds.read_csv["regressionchina_gdp.csv"]
def sigmoid[x, Beta_1, Beta_2]:
y = 1 / [1 + np.exp[-Beta_1*[x-Beta_2]]]
return y
beta1 = 0.10
beta2 = 1990.0
ypred = sigmoid[x_data, beta1, beta2]
plot.plot[x_data, ypred * 16000000000000.]
plot.plot[x_data, y_data, 'go']
đầu ra
Sau khi chạy đoạn mã trên, chúng tôi nhận được đầu ra sau, trong đó chúng tôi có thể thấy rằng đường cong thể hiện tính phi tuyến tính của biểu đồ
Đọc. Scikit tìm hiểu Phân cụm theo cấp bậc
Scikit học SVM phi tuyến tính
Trong phần này, chúng ta sẽ tìm hiểu cách scikit learn phi tuyến tính SVM hoạt động trong python
- SVM phi tuyến tính là viết tắt của máy vectơ hỗ trợ, là thuật toán học máy được giám sát được sử dụng làm phân loại và hồi quy cả
- Như chúng ta biết phi tuyến tính được định nghĩa là mối quan hệ giữa biến phụ thuộc và biến độc lập và nó tạo thành một đường cong để mô tả mô hình
Mã số
Trong đoạn mã sau, chúng tôi sẽ nhập một số thư viện mà từ đó chúng tôi có thể tạo mô hình SVM phi tuyến tính
- x = số. ngẫu nhiên. randn[350, 2] được sử dụng để tạo các số ngẫu nhiên
- phân loại = svm. NuSVC[] được sử dụng để tạo trình phân loại svm
- phân loại. fit[x, Y] được sử dụng để điều chỉnh mô hình
- Z = phân loại. quyết định_hàm [np. c_[xx. ravel[], yy. ravel[]]] được sử dụng để vẽ hàm quyết định của mọi điểm dữ liệu trên lưới
- kịch bản. imshow[Z, nội suy=’gần nhất’,mức độ=[xx. phút[], xx. tối đa[], yy. phút[], yy. max[]], khía cạnh=’auto’,origin=’lower’, cmap=plot. cm. PuOr_r] dùng để vẽ đồ thị trên màn hình
- kịch bản. tán xạ[x[. , 0], x[. , 1], s=35, c=Y, cmap=lô. cm. Đã ghép nối] được sử dụng để vẽ điểm phân tán trên lưới
import numpy as num
import matplotlib.pyplot as plot
from sklearn import svm
xx, yy = num.meshgrid[num.linspace[-3, 3, 500],
num.linspace[-3, 3, 500]]
num.random.seed[0]
x = num.random.randn[350, 2]
Y = num.logical_xor[x[:, 0] > 0, x[:, 1] > 0]
classifier = svm.NuSVC[]
classifier.fit[x, Y]
Z = classifier.decision_function[np.c_[xx.ravel[], yy.ravel[]]]
Z = Z.reshape[xx.shape]
plot.imshow[Z, interpolation='nearest',
extent=[xx.min[], xx.max[], yy.min[], yy.max[]], aspect='auto',
origin='lower', cmap=plot.cm.PuOr_r]
contours = plot.contour[xx, yy, Z, levels=[0], linewidths=2,
linetypes='--']
plot.scatter[x[:, 0], x[:, 1], s=35, c=Y, cmap=plot.cm.Paired]
plot.xticks[[]]
plot.yticks[[]]
plot.axis[[-3, 3, -3, 3]]
plot.show[]
đầu ra
Sau khi chạy đoạn mã trên, chúng tôi nhận được đầu ra sau, trong đó chúng tôi có thể thấy rằng biểu đồ SVM phi tuyến tính của Scikit learn được vẽ trên màn hình
Đọc. Scikit tìm hiểu Mô hình Markov ẩn
Scikit học mô hình phi tuyến tính
Trong phần này, chúng ta sẽ tìm hiểu về cách Scikit học mô hình phi tuyến tính hoạt động trong python
- Mô hình phi tuyến tính xác định mối quan hệ phi tuyến tính giữa dữ liệu và tham số của nó tùy thuộc vào một hoặc nhiều biến độc lập
- Tính phi tuyến tính được hiển thị khi điểm dữ liệu tạo thành một đường cong từ điểm này chứng minh tính phi tuyến tính của dữ liệu
Mã số
Trong đoạn mã sau, chúng tôi sẽ nhập một số thư viện mà từ đó chúng tôi có thể thấy rằng mô hình phi tuyến tính hoạt động
- phạm vi = số. ngẫu nhiên. RandomState[0] được sử dụng để tạo trạng thái ngẫu nhiên
- lendata = [datamax – datamin] được sử dụng để lấy độ dài của dữ liệu
- dữ liệu = số. sắp xếp [phạm vi. rand[nsample] * lendata – lendata / 2] được sử dụng để sắp xếp dữ liệu nhằm làm cho âm mưu trở nên lộn xộn
- mục tiêu = dữ liệu ** 3 – 0. 6 * dữ liệu ** 2 + tiếng ồn được sử dụng để làm mục tiêu
- full_data = pds. DataFrame[{“tính năng nhập liệu”. dữ liệu, “mục tiêu”. target}] được sử dụng để lấy toàn bộ dữ liệu từ dataframe
- dữ liệu phi tuyến tính = sns. biểu đồ phân tán[data=full_data, x=”tính năng nhập”, y=”mục tiêu”, màu=”xanh”, alpha=0. 5] được sử dụng để vẽ các điểm phân tán trên biểu đồ
import numpy as num
range = num.random.RandomState[0]
nsample = 100
datamax, datamin = 1.5, -1.5
lendata = [datamax - datamin]
data = num.sort[range.rand[nsample] * lendata - lendata / 2]
noise = range.randn[nsample] * .3
target = data ** 3 - 0.6 * data ** 2 + noise
import pandas as pds
full_data = pds.DataFrame[{"input feature": data, "target": target}]
import seaborn as sns
nonlineardata = sns.scatterplot[data=full_data, x="input feature", y="target",
color="blue", alpha=0.5]
đầu ra
Sau khi chạy đoạn mã trên, chúng tôi nhận được đầu ra sau, trong đó chúng tôi có thể thấy rằng mô hình phi tuyến tính của Scikit learn được vẽ trên màn hình
Đọc. Scikit tìm hiểu Hồi quy sườn
Scikit tìm hiểu một bộ phân loại phi tuyến tính
Trong phần này, chúng ta sẽ tìm hiểu về cách hoạt động của bộ phân loại phi tuyến tính Scikit learn trong python
Bộ phân loại phi tuyến tính được định nghĩa là một quá trình phân loại được sử dụng để mô tả tính phi tuyến tính và tham số của nó phụ thuộc vào một hoặc nhiều biến độc lập
mã số
Trong đoạn mã sau, chúng tôi sẽ nhập một số thư viện mà từ đó chúng tôi có thể tạo bộ phân loại phi tuyến tính
- x = x. copy[] được sử dụng để sao chép dữ liệu
- x = số. ngẫu nhiên. normal[size=[n, 2]] được sử dụng để tạo các số ngẫu nhiên
- xtrain, xtest, ytrain, ytest = train_test_split[x, y, random_state=0, test_size=0. 5] được sử dụng để chia tập dữ liệu thành dữ liệu huấn luyện và dữ liệu thử nghiệm
- kịch bản. figure[figsize=[5,5]] được sử dụng để vẽ hình trên màn hình
- kịch bản. phân tán [xtrain [. ,0], xtrain[. ,1], c=ytrain, edgecolors=’r’];
Trong đoạn mã dưới đây, chúng tôi sẽ vẽ các ranh giới của bộ phân loại
- xx, yy = số. lưới lưới [số. arange[x_min, x_max, h],num. arange[y_min, y_max, h]] được dùng để tạo lưới lưới cho màn hình
- Z = phân loại. dự đoán [số. c_[xx. ravel[], yy. ravel[]]] được sử dụng để dự đoán bộ phân loại
- kịch bản. figure[figsize=[5,5]] được sử dụng để vẽ biểu đồ phân loại trên màn hình
- kịch bản. tán xạ[X[. ,0], X[. ,1], c=Y, edgecolors=’r’];
- plot_boundary[classifier, xtrain, ytrain] được sử dụng để vẽ ranh giới của bộ phân loại
- precision_score[ytest, phân loại. Predict[xtest]] được sử dụng để dự đoán điểm chính xác
def plot_boundary[classifier, X, Y]:
h = 0.02
x_min, x_max = X[:,0].min[] - 10*h, X[:,0].max[] + 10*h
y_min, y_max = X[:,1].min[] - 10*h, X[:,1].max[] + 10*h
xx, yy = num.meshgrid[num.arange[x_min, x_max, h],
num.arange[y_min, y_max, h]]
Z = classifier.predict[num.c_[xx.ravel[], yy.ravel[]]]
Z = Z.reshape[xx.shape]
plot.figure[figsize=[5,5]]
plot.contourf[xx, yy, Z, alpha=0.25]
plot.contour[xx, yy, Z, colors='r', linewidths=0.7]
plot.scatter[X[:,0], X[:,1], c=Y, edgecolors='r'];
from sklearn.linear_model import LogisticRegression
classifier = LogisticRegression[].fit[xtrain, ytrain]
plot_boundary[classifier, xtrain, ytrain]
accuracy_score[ytest, classifier.predict[xtest]]
Đọc. Scikit tìm hiểu hồi quy tuyến tính
Scikit học giảm kích thước phi tuyến tính
Trong phần này, chúng ta sẽ tìm hiểu về cách Scikit học giảm kích thước phi tuyến tính hoạt động trong python
Giảm kích thước phi tuyến tính được sử dụng để giảm số lượng mục trong tập dữ liệu mà không làm mất thông tin
mã số
Trong đoạn mã sau, chúng tôi sẽ nhập một số thư viện mà từ đó chúng tôi có thể tạo scikit learn giảm kích thước phi tuyến tính
- cảnh báo. filterwarnings[‘ignore’] được sử dụng để đưa ra cảnh báo bộ lọc
- x, y = make_s_curve[n_samples=100] được sử dụng để tạo đường cong
- chữ số = load_digits[n_class=6] được sử dụng để tải chữ số
- kịch bản. figure[figsize=[12,8]] được sử dụng để vẽ hình trên màn hình
- trục = âm mưu. axis[projection=’3d’] được sử dụng để vẽ các trục trên màn hình
- trục. phân tán3D[x[. , 0], x[. , 1], x[. , 2], c=y] được sử dụng để vẽ biểu đồ phân tán trên biểu đồ
import numpy as num
import pandas as pds
import matplotlib.pyplot as plot
df = pds.read_csv["regressionchina_gdp.csv"]
df.head[10]
plot.figure[figsize=[8,5]]
x_data, y_data = [df["Year"].values, df["Value"].values]
plot.plot[x_data, y_data, 'ro']
plot.ylabel['GDP']
plot.xlabel['Year']
plot.show[]
0đầu ra
Sau khi chạy đoạn mã trên, chúng tôi nhận được đầu ra sau, trong đó chúng tôi có thể thấy việc giảm kích thước phi tuyến tính
Đọc. Scikit học Điều chỉnh siêu tham số
Scikit học PCA phi tuyến tính
Trong phần này, chúng ta sẽ tìm hiểu về cách Scikit học PCA phi tuyến tính hoạt động trong python. Nơi chúng tôi sẽ chỉ ra sự khác biệt giữa PCA và KernalPCA- Trong phần này, chúng tôi đang giải thích sự khác biệt bằng cách sử dụng ví dụ trong đó KernalPCA ở một bên có thể tìm thấy hình chiếu của dữ liệu phân tách chúng theo tuyến tính và điều này không xảy ra trong trường hợp của PCA
- PCA là viết tắt của Phân tích thành phần chính. Trong quá trình này, nó được sử dụng trong quá trình của các thành phần chính. Đây cũng là phương pháp giảm kích thước giúp giảm kích thước
- Bây giờ, chúng tôi đang giải thích ví dụ về PCA phi tuyến tính bằng cách giải thích sự khác biệt của PCA so với KernalPCA bằng cách sử dụng dữ liệu dự báo
Mã số
Trong đoạn mã sau, chúng tôi đang nói về những lợi thế của việc sử dụng kernel khi chiếu dữ liệu bằng PCA
Trong khối mã này, chúng tôi đang tạo hai bộ dữ liệu lồng nhau
import numpy as num
import pandas as pds
import matplotlib.pyplot as plot
df = pds.read_csv["regressionchina_gdp.csv"]
df.head[10]
plot.figure[figsize=[8,5]]
x_data, y_data = [df["Year"].values, df["Value"].values]
plot.plot[x_data, y_data, 'ro']
plot.ylabel['GDP']
plot.xlabel['Year']
plot.show[]
1đầu ra
Sau khi chạy đoạn mã sau, chúng tôi nhận được đầu ra sau nơi chúng tôi có thể xem nhanh hai bộ dữ liệu được tạo lồng nhau
- Một là tập dữ liệu huấn luyện và một là tập dữ liệu thử nghiệm
- Các mẫu từ mỗi lớp không thể được phân tách tuyến tính vì không có đường thẳng nào được phân tách tuyến tính qua đó nó có thể phân chia tập dữ liệu bên trong với tập dữ liệu bên ngoài
Trong khối mã này, chúng tôi đang sử dụng PCA có và không có hạt nhân để xem những tác động nào có thể xảy ra khi sử dụng hạt nhân
- Hạt nhân được sử dụng trong phần này là hạt nhân hàm cơ sở Radial [RBF]
- orig_data_ax1. set_ylabel[] được sử dụng để gán nhãn cho trục y cho dữ liệu Thử nghiệm
- orig_data_ax1. set_xlabel[] được sử dụng để gán nhãn cho trục x cho dữ liệu Thử nghiệm
- orig_data_ax1. set_title[] được sử dụng để đặt nhãn cho Tiêu đề của biểu đồ cho dữ liệu Thử nghiệm
- pca_proj_ax1. set_ylabel[] được sử dụng để gán nhãn cho trục y cho PCA
- pca_proj_ax1. set_xlabel[] được sử dụng để gán nhãn cho trục x cho PCA
- pca_proj_ax1. set_title[] được sử dụng để đặt tiêu đề của biểu đồ cho PCA
import numpy as num
import pandas as pds
import matplotlib.pyplot as plot
df = pds.read_csv["regressionchina_gdp.csv"]
df.head[10]
plot.figure[figsize=[8,5]]
x_data, y_data = [df["Year"].values, df["Value"].values]
plot.plot[x_data, y_data, 'ro']
plot.ylabel['GDP']
plot.xlabel['Year']
plot.show[]
2đầu ra
Sau khi chạy đoạn mã sau, chúng tôi nhận được đầu ra sau nơi chúng tôi có thể thấy so sánh dữ liệu Thử nghiệm, Chiếu dữ liệu thử nghiệm bằng PCA và Chiếu dữ liệu thử nghiệm bằng KernelPCA
- Hãy để chúng tôi sửa lại rằng PCA biến đổi dữ liệu một cách tuyến tính, điều đó có nghĩa là hệ thống được sắp xếp sẽ được căn giữa, thay đổi tỷ lệ trên tất cả các thành phần đối với phương sai của nó và cuối cùng được xoay
- Nhìn vào đầu ra bên dưới, chúng ta có thể thấy trong cấu trúc ở giữa không có thay đổi nào trong cấu trúc liên quan đến tỷ lệ
- PCA hạt nhân cho phép thực hiện phép chiếu phi tuyến tính
- Ở đây, bằng cách sử dụng nhân RBF, chúng tôi hy vọng rằng phép chiếu sẽ mở ra tập dữ liệu trong khi quan tâm đến việc duy trì khoảng cách tương đối của các cặp điểm dữ liệu gần nhau trong không gian riêng
- Chúng ta có thể thấy và quan sát những khác biệt như vậy trong cấu trúc KernelPCA ở phía bên phải
Bạn cũng có thể muốn đọc các hướng dẫn về Scikit learn
- Scikit học Chia dữ liệu
- Scikit học Thuật toán di truyền
- Hướng dẫn phân loại Scikit learn
- Scikit tìm hiểu hidden_layer_sizes
- Scikit học Hướng dẫn Gaussian
- Scikit tìm hiểu Xác thực chéo
Vì vậy, trong hướng dẫn này, chúng tôi đã thảo luận về Scikit học Phi tuyến tính và chúng tôi cũng đã đề cập đến các ví dụ khác nhau liên quan đến việc triển khai nó. Dưới đây là danh sách các ví dụ mà chúng tôi đã đề cập
- Scikit học phi tuyến tính
- Scikit học hồi quy phi tuyến tính
- Scikit tìm hiểu ví dụ hồi quy phi tuyến tính
- Scikit học SVM phi tuyến tính
- Scikit học mô hình phi tuyến tính
- Scikit tìm hiểu một bộ phân loại phi tuyến tính
- Scikit học giảm kích thước phi tuyến tính
- Scikit học PCA phi tuyến tính
Bijay Kumar
Python là một trong những ngôn ngữ phổ biến nhất ở Hoa Kỳ. Tôi đã làm việc với Python trong một thời gian dài và tôi có kinh nghiệm làm việc với nhiều thư viện khác nhau trên Tkinter, Pandas, NumPy, Turtle, Django, Matplotlib, Tensorflow, Scipy, Scikit-Learn, v.v… Tôi có kinh nghiệm làm việc với nhiều khách hàng khác nhau . Kiểm tra hồ sơ của tôi