高周波エンジニアのためのAI・機械学習入門（GPU編13）主成分分析（PCA、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。

前回、NVIDIAのRAPIDSを使えばPandasやscikit-learn互換でGPU実行できることを見た。今回はこのCPUの例でやってみる。

 高周波エンジニアのためのAI・機械学習入門（13）主成分分析（PCA、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。かなり綺麗に分かれた。

バンドパスフィルタのデータはこんな感じで3次、5次、7次と鋭く減衰するようになっている。

コードはこちら。scikit-learnをインポートする部分をcuMLに変えただけ。ただ計算が速いので２軸を３軸に増やしている。

import numpy as np

import matplotlib.pyplot as plt

from cuml.preprocessing import StandardScaler

from cuml.decomposition import PCA

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)

pca = PCA(n_components=3)

pca.fit(X_scaled)

X_pca = pca.transform(X_scaled)

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

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

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

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

ax.scatter(X_pca[np.argwhere(label==7)[:,0],0], X_pca[np.argwhere(label==7)[:,0],1], X_pca[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()

結果はこちら。２軸でやったときより完全に特徴づけられていそう。

それぞれの軸の係数を見てみると、だんだん帯域を狭めて特徴づけられているようだ。なるほど。

cuMLは本当に簡単に使えてかつ速いのでもっと広まったらいいんじゃないかと思った。