高周波エンジニアのためのAI・機械学習入門（GPU編14）UMAP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,3軸で特徴づけできるかPythonとNVIDIA RAPIDSのscikit-learn互換のcuMLでやってみる。ものすごくはっきり分離できた。

先日はPCAでバンドパスフィルタの次数分類をやってみた。

バンドパスフィルタのデータは以下のようなもの。

しかし残念ながらcuMLにはCPUでやったFactorAnalysisやICAはなかった。

その代わりUMAPが使える。この辺を参照。

高次元データの可視化を目的とした次元削減手法を紹介

NVIDIAの解説はこちら。

Even Faster and More Scalable UMAP on the GPU with RAPIDS cuML

NVIDIAの解説をもとに書いたコードはこちら。

import numpy as np

import matplotlib.pyplot as plt

from cuml.preprocessing import StandardScaler

from cuml.manifold.umap import UMAP

from mpl_toolkits.mplot3d import Axes3D

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)

umap = UMAP(n_components =3)

umap.fit(X_scaled)

X_umap = umap.transform(X_scaled)

fig = plt.figure(figsize=(10,10))

ax = fig.add_subplot(projection='3d')

ax.scatter(X_umap[np.argwhere(label==3)[:,0],0], X_umap[np.argwhere(label==3)[:,0],1], X_umap[np.argwhere(label==3)[:,0],2], c="r", label="3rd")

ax.scatter(X_umap[np.argwhere(label==5)[:,0],0], X_umap[np.argwhere(label==5)[:,0],1], X_umap[np.argwhere(label==5)[:,0],2], c="g", label="5th")

ax.scatter(X_umap[np.argwhere(label==7)[:,0],0], X_umap[np.argwhere(label==7)[:,0],1], X_umap[np.argwhere(label==7)[:,0],2], c="b", label="7th")        

plt.legend()

plt.grid()

ax.set_xlabel("PC1")

ax.set_ylabel("PC2")

ax.set_zlabel("PC3")

ax.view_init(elev=30, azim=60)

plt.tight_layout()

それではやってみる。まず３軸。

うわ、PCAやICAと全然違う分離の仕方だ。これなら２軸ではっきりわかるんじゃないか？とやってみると、

完全に分かれてる！こういう問題、最近はPCAよりUMAPやt-SNEがよく使われると聞くがなるほど。