« 「黒牢城」(米澤穂信さん)をようやく読んだ。すごかった。黒田官兵衛が荒木村重に有岡城に幽閉されていた史実をベースに、その官兵衛が安楽椅子探偵のように城内で起こる怪事件を解決していくミステリ。そして驚愕の真相が立て続けに。ラストは史実に基づくけど本当によかった。 | トップページ | 高周波エンジニアのためのAI・機械学習入門(15)独立成分分析(ICA、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。 »

2024年9月24日 (火)

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。

Filterpca3

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:

Filter_fa1

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。

Filter_fa2

 

« 「黒牢城」(米澤穂信さん)をようやく読んだ。すごかった。黒田官兵衛が荒木村重に有岡城に幽閉されていた史実をベースに、その官兵衛が安楽椅子探偵のように城内で起こる怪事件を解決していくミステリ。そして驚愕の真相が立て続けに。ラストは史実に基づくけど本当によかった。 | トップページ | 高周波エンジニアのためのAI・機械学習入門(15)独立成分分析(ICA、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。 »

パソコン・インターネット」カテゴリの記事

学問・資格」カテゴリの記事

日記・コラム・つぶやき」カテゴリの記事

コメント

コメントを書く

(ウェブ上には掲載しません)

« 「黒牢城」(米澤穂信さん)をようやく読んだ。すごかった。黒田官兵衛が荒木村重に有岡城に幽閉されていた史実をベースに、その官兵衛が安楽椅子探偵のように城内で起こる怪事件を解決していくミステリ。そして驚愕の真相が立て続けに。ラストは史実に基づくけど本当によかった。 | トップページ | 高周波エンジニアのためのAI・機械学習入門(15)独立成分分析(ICA、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。 »

最近の記事

2025年2月
            1
2 3 4 5 6 7 8
9 10 11 12 13 14 15
16 17 18 19 20 21 22
23 24 25 26 27 28  

最近のコメント

無料ブログはココログ
フォト