CommencerCommencer gratuitement

L'analyse en composantes principales (ACP) ne prend pas en compte les parties.

Contrairement à la NMF, la PCA n' apprend pas les parties des choses. Ses composants ne correspondent pas à des sujets (dans le cas de documents) ni à des parties d'images, lorsqu'il est entraîné sur des images. Vérifiez par vous-même en inspectant les composants d'un modèle PCA adapté à l'ensemble de données d'images numériques LED de l'exercice précédent. Les images sont disponibles sous forme de tableau 2D à l'adresse samples. Une version modifiée de la fonction d'show_as_image(), qui colore un pixel en rouge si la valeur est négative, est également disponible.

Après avoir soumis votre réponse, veuillez noter que les composants de l'ACP ne représentent pas des parties significatives des images des chiffres LED.

Cet exercice fait partie du cours

Apprentissage non supervisé en Python

Afficher le cours

Instructions

  • Importez PCA à partir de sklearn.decomposition.
  • Veuillez créer une instance d'PCA appelée model avec les composants 7.
  • .fit_transform() Veuillez appliquer la méthode de demande d'exemption de responsabilité de model à samples. Affectez le résultat à features.
  • Pour chaque composant du modèle (accessible via model.components_), appliquez la fonction show_as_image() à ce composant à l'intérieur de la boucle.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Import PCA
____

# Create a PCA instance: model
model = ____

# Apply fit_transform to samples: features
features = ____

# Call show_as_image on each component
for component in ____:
    ____
Modifier et exécuter le code