Bilişim dünyasına kaliteli, özgün ve Türkçe içerikler kazandırmayı hedefleyen bir platform..

Temel bileşen analizi (PCA), çok değişkenli istatistiklerde bir veri madenciliği tekniğidir. Verinin bütünlüğünden ödün vermeden, veri içindeki bilgilerin çoğunu korurken, boyutsallık azaltma yoluyla yüksek boyutlu verileri düşük boyutlu verilere dönüştürür

PCA, yüksek boyutlu veriyi anlamlandırmak için temel bileşenlere indirgeme yöntemidir.

import plotly.express as px
from sklearn.decomposition import PCA
import pandas as pd

df = pd.read_csv("https://bilisimkitabi.com/files/kimyasal_bilesenler_dummy.csv")
#df = px.data.iris()

X = df[['NDF', 'ADF', 'ADL', 'CP', 'Ash', 'CT']]

#STANDARTLAŞTIRMA
from sklearn.preprocessing import StandardScaler
sc=StandardScaler()
X=sc.fit_transform(X)#fit_transform

pca = PCA(n_components=3)
components = pca.fit_transform(X)

total_var = pca.explained_variance_ratio_.sum() * 100

fig = px.scatter_3d(
    components, x=0, y=1, z=2, color=df['HarvestTime'],
    title=f'Total Explained Variance: {total_var:.2f}%',
    labels={'0': 'PC 1', '1': 'PC 2', '2': 'PC 3'}
)
fig.show()

import plotly.express as px
from sklearn.decomposition import PCA

import pandas as pd

df = pd.read_csv("https://bilisimkitabi.com/files/kimyasal_bilesenler_dummy.csv")
features = ['NDF', 'ADF', 'ADL', 'CP', 'Ash', 'CT']
#STANDARTLAŞTIRMA
from sklearn.preprocessing import StandardScaler
sc=StandardScaler()
df_scaled=sc.fit_transform(df[features])#fit_transform
pca = PCA()
components = pca.fit_transform(df_scaled)
labels = {
    str(i): f"PC {i+1} ({var:.1f}%)"
    for i, var in enumerate(pca.explained_variance_ratio_ * 100)
}

fig = px.scatter_matrix(
    components,
    labels=labels,
    dimensions=range(3),
    color=df["HarvestTime"]
)
fig.update_traces(diagonal_visible=False)
fig.show()