Spaces:
Sleeping
Sleeping
| import streamlit as st | |
| import pandas as pd | |
| import numpy as np | |
| from sklearn import datasets | |
| from sklearn.model_selection import train_test_split | |
| from sklearn.svm import SVR | |
| from sklearn.decomposition import FastICA | |
| import matplotlib.pyplot as plt | |
| class ICA_st: | |
| def __init__(self, database, test_size=0.2): | |
| self.database = database | |
| self.test_size = test_size | |
| self.desc = r''' | |
| # **ICA (Independent Component Analysis)** | |
| ICA es un método que se utiliza para identificar las componentes de una señal multivariada. De esta manera es que podemos extraer un componente que se encuentre mezclados con otros. | |
| - A $X$ restarle su media $\bar{X}$ | |
| - Transformar $X$ de manera que las potenciales correlaciones entre las componentes sean removidas y que la varianza para cada componente sea igual a 1. (Hacer que la matriz de covarianza se parezca a la matriz de identidad) | |
| $$ | |
| \hat{x} = E \cdot \sqrt{D} \cdot E^{T} \cdot x | |
| $$ | |
| - $D$: Diagonal con valores propios (de la matriz de covarianzas) | |
| - $E$: Matrix con vectores propios (de la matriz de covarianzas) | |
| - Escoger valores aleatorios para armar la matriz $W$. | |
| - Calcular los nuevos valores para $W$ | |
| $$ | |
| w_{i} = \frac{1}{n} \sum X \cdot tanh(W^{T} \cdot X) - \frac{1}{n} \sum X \cdot (1 - tanh^{2}(W^{T} \cdot X) \cdot W) | |
| $$ | |
| $$ | |
| w_{i} = w_{i} - \sum_{j=1}^{p-1} (w_{p}^{T}w_{j})w_{j} | |
| $$ | |
| - Normalizar $w_{p}$ | |
| $$ | |
| w_{p} = \frac{w_{p}}{||w_{p}||} | |
| $$ | |
| - Chequear condición de termino. Si no se cumple volvemos a calcular los nuevos valores de $w$ | |
| $$ | |
| w_{p}^{T}w_{p+1} - 1 < Tolerance | |
| $$ | |
| - Calcular las fuentes independientes como $S = W \cdot X$''' | |
| self.x_feature = 1 | |
| self.y_feature = 2 | |
| self.n_components = 2 | |
| def params(self): | |
| n_features = int(self.database.data.shape[1]) | |
| self.n_components = st.slider('Numero de componentes', 1, n_features, 2) | |
| def solve(self): | |
| self.x_feature = st.slider('Componente eje x', 1, self.n_components, 1) | |
| self.y_feature = st.slider('Componente eje y', 1, self.n_components, 2) | |
| X = self.database.data | |
| y = self.database.target | |
| sklearn_clus = FastICA(n_components=self.n_components) | |
| X_proyected_sk = sklearn_clus.fit_transform(X) | |
| x1 = X_proyected_sk[:, self.x_feature-1] | |
| x2 = X_proyected_sk[:, self.y_feature-1] | |
| plt.figure(1, figsize=(12, 8)) | |
| plt.scatter(x1, x2, c=y, edgecolors='none', alpha=0.8, cmap=plt.cm.get_cmap('viridis', len(y))) | |
| plt.xlabel(f'Componente {self.x_feature}') | |
| plt.ylabel(f'Componente {self.y_feature}') | |
| plt.colorbar() | |
| return plt.gcf() | |