高周波エンジニアのためのAI・機械学習入門（14）因子分析（FactorAnalysis、教師なし学習）でバンドパスフィルタ（BPF)の次数が異なるもの（減衰がちがうもの）を２軸で特徴付けできるかPythonとscikit-learnでやってみる。主成分分析（PCA)より綺麗に分かれた。

前回は主成分分析を行ったが、今回は因子分析。

因子分析のメリットや結果の見方を具体例から解説

前回と同じく、次数が違うバンドパスフィルタを解析してみる。

因子分析もscikit-learnで簡単にできる。

https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.FactorAnalysis.html

コードはこんな感じ。

import numpy as np

import matplotlib.pyplot as plt

from sklearn.preprocessing import StandardScaler

from sklearn.decomposition import FactorAnalysis

data_label = np.load("filter_PCA.npz")

data = data_label["data"]

label = data_label["label"]

data = 10*np.log10(data[:, :, 3]**2 + data[:, :, 4]**2)

scaler = StandardScaler()

scaler.fit(data)

X_scaled = scaler.transform(data)

fa = FactorAnalysis(2, max_iter=5000)

X_FA= fa.fit_transform(X_scaled)

fig = plt.figure(figsize=(12,12))

plt.scatter(X_FA[np.argwhere(label==3)[:,0],0], X_FA[np.argwhere(label==3)[:,0],1], c="r", label="3rd")

plt.scatter(X_FA[np.argwhere(label==5)[:,0],0], X_FA[np.argwhere(label==5)[:,0],1], c="g", label="5th")

plt.scatter(X_FA[np.argwhere(label==7)[:,0],0], X_FA[np.argwhere(label==7)[:,0],1], c="b", label="7th")        

plt.legend()

plt.grid()

plt.xlabel("PC1")

plt.ylabel("PC2")

結果：

おお、PCAよりきれいに分離している。

コンポーネントの係数はだいたい似てる。