PythonのPCAについて詳しく解説

PCA (Principal Component Analysis) は、機械学習やデータ分析でよく使われる次元削減の手法です。Pythonでは、sklearn.decompositionモジュールのPCAクラスを使ってPCAを実行することができます。

以下は、PCAを用いてデータセットをフィットさせ、変換する方法を示す簡単な例です。

from sklearn.decomposition import PCA
import numpy as np

# Generate a sample dataset
np.random.seed(0)
X = np.random.randn(100, 5)

# Create a PCA object
pca = PCA(n_components=2)

# Fit the PCA model to the data
pca.fit(X)

# Transform the data to the first two principal components
X_pca = pca.transform(X)

from sklearn.decomposition import PCA

import numpy as np

# Generate a sample dataset

np.random.seed(0)

X = np.random.randn(100, 5)

# Create a PCA object

pca = PCA(n_components=2)

# Fit the PCA model to the data

pca.fit(X)

# Transform the data to the first two principal components

X_pca = pca.transform(X)

この例では、100個のサンプルと5個の特徴からなるサンプルデータセットXを生成し、n_components=2、つまり最初の2主成分のみを残したいという条件でPCAモデルを当てはめます。fitメソッドはPCAモデルをデータにフィットさせるために使われ、transformメソッドはデータを最初の2つの主成分に変換するために使われます。変換されたデータはX_pca変数に格納されます。