Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

5.9

 詳細：主成分分析

443

分散の

50

％は

12

個の主成分に相当します。次に、この主成分を使い、逆変換を行って数字を再

構成します（図 5-90）。

In[16]: components = pca.transform(noisy)

filtered = pca.inverse_transform(components)

plot_digits(filtered)

図5-90　PCAを使ってノイズを除去した手書き数字

この信号保存

/

ノイズフィルタリング特性により、

PCA

は非常に有用な特徴選択機能となりま

す。例えば、非常に高次元のデータで推定器の学習を行うのではなく、入力のランダムノイズを自

動的に除去するフィルタリングを通した低次元表示を使って推定器の学習を行います。

5.9.3

 事例：固有顔画像

既にサポートベクターマシン（「5.7 詳細：サポートベクターマシン」）で

PCA

を使用して顔認識

のための特徴抽出を行いました。ここでは、もう少し詳しく調べてみましょう。

scikit-learn

から利

用可能な

Labeled Faces in the Wild

データセットを使用していたことを思い出してください。

In[17]: from sklearn.datasets import fetch_lfw_people

faces = fetch_lfw_pe

ople(min_faces_per_person=60)

print(faces.target_names)

print(faces.images.shape) ...