Pythonではじめる教師なし学習 ―機械学習の可能性を広げるラベルなしデータの利用

86

3

章 次元削減

# Multidimensional Scaling

from sklearn.manifold import MDS

n_components = 2

n_init = 12

max_iter = 1200

metric = True

n_jobs = 4

random_state = 2018

mds = MDS(n_components=n_components, n_init=n_init, max_iter=max_iter, \

metric=metric, n_jobs=n_jobs, random_state=random_state)

X_train_mds = mds.fit_transform(X_train.loc[0:1000,:])

X_train_mds = pd.DataFrame(data=X_train_mds, index=train_index[0:1001])

scatterPlot(X_train_mds, y_train, "Multidimensional Scaling")

図 3-12 に、

MDS

による

2

次元散布図を示す。

図 3-12　MDSによる観測点の分離

3.8

 

LLE

（局所線形埋め込み）

LLE（

Locally Linear Embedding

：局所線形埋め込み）も、広く使われている非線形次元削減手法の

1

つだ。この手法は、元の特徴量空間から次元削減された空間に移す際に、局所的な近傍での距離を

保つように射影する。

LLE

は、デー ...