اختزال الأبعاد واختيار الخصائص

import numpy as np
X = np.array([[-2.0, -2.0], [0.0, 0.0], [2.0, 2.0]])
mean = X.mean(axis=0)
centered = X - mean
_, singular, basis = np.linalg.svd(centered, full_matrices=False)
variance_fraction = singular ** 2 / np.sum(singular ** 2)
reconstructed = (centered @ basis[:1].T) @ basis[:1] + mean
print(np.round(variance_fraction, 6).tolist())
print(np.allclose(reconstructed, X))

[1.0, 0.0]
True

تقع النقاط على خط فيعيدها مكون ولا يتأثر الفحص بانعكاس الإشارة.

import numpy as np
train = np.array([[0.0, 0.0], [1.0, 1.0], [2.0, 0.0], [3.0, 1.0]])
y = np.array([0.0, 1.0, 2.0, 3.0])
assert np.all(train.std(axis=0) > 0) and y.std() > 0
correlations = [abs(np.corrcoef(train[:, j], y)[0, 1]) for j in range(train.shape[1])]
selected = int(np.argmax(correlations))
future = np.array([[4.0, 100.0]])
print(selected)
print(future[:, [selected]].tolist())

0
[[4.0]]

تحدد أهداف التدريب الفهرس ويستخدمه المستقبل المجمد دون التأثير فيه.