PCA in sklearn Udacity English Arabic

PCA in sklearnYouTube↗ IA↗(long shot)
Education 22.8K views 103 likes 7 dislikes 23 Feb 2015

Udacity 651K subscribers United States YouTube↗

The principal components analysis that I'm doing happens to live in

يوجد تحليل المكونات الرئيسية الذي أستخدمه في هذه

this function called doPCA.

الدالة التي تسمى doPCA.

And it looks very familiar to a lot of the stuff we've done

وهي تبدو شبيهةً جدًا للكثير مما قمنا به من قبل في

before in scikit-learn.

scikit-learn.

You have an import statement where you

حيث توجد هنا عبارة استيراد نحصل من خلالها

actually get the module out that has the code that you want.

على الوحدة التي تحتوي على التعليمة البرمجية التي نريدها.

You create, in this case, the principal components analysis.

وفي هذه الحالة، سنقوم بإنشاء تحليل المكونات الرئيسية.

You fit it.

ثم نقوم بملاءمته.

And then you can return that as an object.

ثم يمكننا إرجاع ذلك ككائن.

And so what I do is I, I get my principal components that, analysis that way.

ما أقوم به هو، أنني أحصل على تحليل المكونات الرئيسية بتلك الطريقة.

And I can ask some very interesting,

ويمكنني طرح بعض الأسئلة المشوقة،

some very important questions of it by accessing the attributes.

والهامة بشأنه عن طريق الوصول إلى السمات.

So let's explain these three lines.

إذن، لنشرح هذه الأسطر الثلاثة.

This is how I actually get the information out of my PCA object.

هذه هي الطريقة التي أحصل بها فعليًا على المعلومات من كائن PCA.

The first, the explained variance ratio is actually where the eigenvalues live.

السطر الأول، نسبة التباين الموضحة هي بالفعل الموقع الذي توجد بها قيم آيغن.

So by printing out this, this line here.

وبالتالي، بإدخال هذا السطر الموجود هنا،

This is the way that I know that the first principle component has about 90,

بهذه الطريقة أعرف أن المكون الرئيسي الأول يحتوى على نسبة 90، أو

91 percent of the variation in the data, and the second one has about 9, or

91 بالمائة من التباين في البيانات، والثاني يحتوى على نسبة 9،

10 percent.

أو 10 بالمائة.

Those numbers come from this statement.

وتأتي تلك الأرقام من هذه العبارة.

And then the second thing that I do is I look at the first and

الخطوة الثانية التي أقوم بها هي النظر إلى

second principle components.

المكونين الرئيسيين الأول والثاني.

I get these out of the components attribute of my PCA object.

واستخرجها من سمة المكونات الخاصة بكائن PCA.

So the components is going to be a list,

وستكون المكونات عبارة عن قائمة،

a Python list that has as many principle components in it.

قائمة Python تحتوي على العديد من المكونات الرئيسية.

As I ask for as a parameter.

وهو ما أطلبه كمعلمة.

So in that case, I have two principal components that I'm getting.

وفي هذه الحالة، لدي مكونان رئيسيان أريد الحصول عليهما.

So I name them the first and second pc.

لذا أسميتهما first pc وsecond pc.

So in previous quizzes where we were talking about,

في الاختبارات القصيرة السابقة عندما كنا نتحدث عن

what's the direction in of, say, x prime in the xy original feature space,

اتجاه x في فضاء الميزات الأصلية xy،

we came up with two numbers that were sort of packaged together into a vector.

توصلنا إلى رقمين تم وضعهما معًا في متجه.

You can access that directional information through these components.

ويمكن الوصول إلى المعلومات الاتجاهية من خلال هذين المكونين.

Once I've fit my principle components analysis I have to,

وبمجرد ملاءمة تحليل المكونات الرئيسية يجب علي أن أقوم بما يشبه تحويل البيانات،

in order to do anything, perform something like a transformation of the data.

حتى أتمكن من القيام بأي شيء.

And this code I will just give you in the starter code for the quiz.

وسأعطيكم هذه التعليمة البرمجية في تعليمة بادئ التشغيل البرمجية من أجل الاختبار.

What I'm doing here is, I'm visualizing it.

ما أقوم به هنا هو وضع تصور لها.

The first line is in red.

سيكون الخط الأول باللون الأحمر.

I'll be plotting the first principle component,

سأقوم بتخطيط المكون الرئيسي،

the locations of all the points along that principle component.

ومواقع جميع النقاط بالنسبة لهذا المكون الرئيسي.

As well as the direction of the principle components.

وكذلك اتجاه المكونات الرئيسية.

I'm accessing that information by using the elements of the first PC vector.

وأصل إلى هذه المعلومات باستخدام عناصر متجه المكون الرئيسي الأول.

Then in Cyan or kind of a teal color, I'll be accessing the second

وباللون الأزرق السماوي أو نوع من الأزرق الفاتح، سأصل إلى المكون الرئيسي

principle component, and in blue I have the original data.

الثاني، وستكون البيانات الأصلية باللون الأزرق.

So let me show you what this looks like,

دعوني أوضح لكم كيف يبدو ذلك،

and then you give it a try yourself in the quiz.

وبعدها يمكنكم تجربته بأنفسكم في الاختبار القصير.

The first thing that you get is that you print out the eigenvalues.

أول ما نقوم به هو إدخال قيم آيغن.

Remember that's this explained variance ratio information.

وتذكروا أن هذه هي معلومات نسبة التباين الموضحة.

And then the second thing is that you'll get a scatter plot.

وبعد ذلك ستحصلون على رسم مبعثر،

And it should look something like this.

وسيبدو شكله قريبًا من هذا الشكل.

So you remember the red was the direction of our first principle component.

وكما تذكرون، كان اللون الأحمر يرمز إلى اتجاه المكون الرئيسي الأول.

And that's hopefully exactly where you guessed it was.

وأتمنى أن يكون هذا هو الموضع الذي خمنتم أنه موجود به.

Certainly intuitively seems like it's in the right place.

بالطبع من الناحية البديهية يبدو أنه في الموضع الصحيح.

The cyan is perpendicular to that.

ويتعامد عليه اللون الأزرق السماوي.

And then the blue is the original data points.

وأخيرًا، لدينا اللون الأزرق وهو يمثل نقاط البيانات الأصلية.

One thing that I'll add is that it looks to the eye like the red and

سأضيف أمرًا آخر وهو أنه يبدو للعيان أن اللونين الأحمر

the cyan are not perfectly orthogonal.

والأزرق السماوي ليسا متعامدين تمامًا.

This doesn't quite look like a 90 degree angle.

فهذا لا يبدو تمامًا كزاوية 90 درجة.

But remember that our axis have different scales.

ولكن تذكروا أن المحور هنا له قياسات مختلفة.

That this one goes all the way out to ten million,

وأن هذا المحور يمتد حتى 10 ملايين،

the y axis only goes out to less than half of that, about four million.

وأن محور y يمتد إلى أقل من نصف ذلك ،أي حوالي 4 ملايين.

So, in reality, if we were to plot everything proportionally,

إذن، إذا أردنا أن نخطط كل شيء بشكل متناسب في الواقع،

this graph should be twice as long as it is tall.

ينبغي أن يكون طول هذا الرسم البياني ضعف ارتفاعه.

And if we were to visualize it in exactly that way, they would be orthogonal

وإذا تصورناه بهذا الشكل بالضبط، فسيكونان متعامدين.

Similar videos:

Prerequisites
Udacity
80.5K views 158 likes 10 dislikes 23 Feb 2015100% match

Normalizing 1 - Intro to Machine Learning
Udacity
54.7K views 4 likes 0 dislikes 23 Feb 2015100% match

Data Impurity and Entropy
Udacity
21.3K views 27 likes 48 dislikes 23 Feb 2015100% match

Nonlinear Data - Intro to Machine Learning
Udacity
37K views 11 likes 5 dislikes 23 Feb 2015100% match

Normalizing 3 - Intro to Machine Learning
Udacity
44.6K views 2 likes 8 dislikes 23 Feb 2015100% match

Welcome to SVM
Udacity
18.6K views 14 likes 1 dislikes 23 Feb 2015100% match

Prior and Posterior - Intro to Machine Learning
Udacity
68.8K views 44 likes 19 dislikes 23 Feb 2015100% match

Information Gain
Udacity
19.3K views 26 likes 25 dislikes 23 Feb 2015100% match

Train/Test Split in sklearn - Intro to Machine Learning
Udacity
30.6K views 90 likes 27 dislikes 23 Feb 2015100% match

Solution - Intro to Machine Learning
Udacity
74.3K views 146 likes 0 dislikes 23 Feb 2015100% match

Unsupervised Learning
Udacity
21.6K views 28 likes 4 dislikes 23 Feb 2015100% match

Getting Started With sklearn
Udacity
38.4K views 41 likes 2 dislikes 23 Feb 2015100% match

Lasso Regression
Udacity
22.8K views 112 likes 7 dislikes 23 Feb 2015100% match

Features and Labels Musical Example
Udacity
69.5K views 98 likes 8 dislikes 23 Feb 2015100% match

Choosing Between Separating Lines - Intro to Machine Learning
Udacity
39.2K views 6 likes 1 dislikes 23 Feb 2015100% match

Scatterplots to Predictions 2 - Intro to Machine Learning
Udacity
102K views 11 likes 0 dislikes 23 Feb 2015100% match

Cancer Test Solution - Intro to Machine Learning
Udacity
24.6K views 8 likes 1 dislikes 23 Feb 2015100% match

Classification By Eye Quiz - Intro to Machine Learning
Udacity
128.4K views 30 likes 0 dislikes 23 Feb 2015100% match

Coding A Decision Tree - Intro to Machine Learning
Udacity
33.8K views 9 likes 2 dislikes 23 Feb 2015100% match

Practice Making a New Feature - Intro to Machine Learning
Udacity
34.9K views 6 likes 0 dislikes 23 Feb 2015100% match

Introduction Pt. III
Udacity
81.5K views 130 likes 4 dislikes 23 Feb 201567% match

Bayes Rule
Udacity
28K views 20 likes 1 dislikes 23 Feb 201567% match

Introduction Part II
Udacity
90.9K views 164 likes 12 dislikes 23 Feb 201567% match

Kernel Trick
Udacity
64.7K views 161 likes 102 dislikes 23 Feb 201567% match

Gaussian NB Example
Udacity
50.3K views 80 likes 19 dislikes 23 Feb 201567% match

NB Decision Boundary in Python
Udacity
38.8K views 17 likes 2 dislikes 23 Feb 201562% match

Training and Testing Data
Udacity
30.1K views 39 likes 1 dislikes 23 Feb 201562% match

sklearn SVM Documentation - Intro to Machine Learning
Udacity
42.8K views 15 likes 3 dislikes 23 Feb 201560% match

Normalizing 2 - Intro to Machine Learning
Udacity
48.4K views 7 likes 4 dislikes 23 Feb 201557% match

Quiz - Intro to Machine Learning
Udacity
132.5K views 107 likes 5 dislikes 23 Feb 201557% match