実践 機械学習システム

11.4

 特徴抽出

227

scikit-learnには

decomposition

パッケージにPCAのためのクラスが提供されています。この例

では、データを表現するには一次元で十分であることは明らかです。そのため、

n_components

とい

うパラメータに

1

を指定することにします。

>>> from sklearn import linear_model, decomposition, datasets

>>> pca = decomposition.PCA(n_components=1)

ここ で、PCAの

fit()

と

transform()

メソッド（もしくは、そ の 組 み 合 わ せ で あ る

fit_

transform()

というメソッド）を用いてデータを分析して、変換後の特徴空間に射影します。

>>> Xtrans = pca.fit_transform(X)

Xtrans

は、指定した通り一次元のデータで構成されています。結果は先のグラフの右に示してあ

ります。そのグラフを見る限り、線形に分離可能であることがわかります。両クラスを識別するために

複雑な分類器は必要ないでしょう。

再構成誤差を知るために、変換されたデータについて変形前から保持している分散の割合を見るこ

とにします。

>>> print(pca.explained_variance_ratio_)

>>> [ 0.96393127]

これが意味することは、二次元から一次元へ変換された後でも、分散の96%が保持されているとい

うことです。