データを正規分布にマッピングする

はじめに

この実験では、PowerTransformer を使用して Box-Cox 変換と Yeo-Johnson 変換をどのように使うかを示し、さまざまな分布からのデータを正規分布にマッピングします。

VM のヒント

VM の起動が完了したら、左上隅をクリックしてノートブックタブに切り替え、Jupyter Notebook を使って練習しましょう。

Jupyter Notebook が読み込み終わるまで数秒待つことがあります。Jupyter Notebook の制限により、操作の検証は自動化できません。

学習中に問題がある場合は、Labby にお問い合わせください。セッション後にフィードバックを提供してください。すぐに問題を解決いたします。

ライブラリのインポート

まず、必要なライブラリをインポートする必要があります。numpy、matplotlib、PowerTransformer、QuantileTransformer、および train_test_split です。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import PowerTransformer
from sklearn.preprocessing import QuantileTransformer
from sklearn.model_selection import train_test_split

定数の設定

サンプル数、フォントサイズ、およびビンの定数を設定します。

N_SAMPLES = 1000
FONT_SIZE = 6
BINS = 30

ランダムな分布の作成

6 つの異なる確率分布：対数正規分布、カイ二乗分布、ワイブル分布、ガウス分布、一様分布、および二峰性分布を生成します。

rng = np.random.RandomState(304)
bc = PowerTransformer(method="box-cox")
yj = PowerTransformer(method="yeo-johnson")
qt = QuantileTransformer(n_quantiles=500, output_distribution="normal", random_state=rng)
size = (N_SAMPLES, 1)

## 対数正規分布
X_lognormal = rng.lognormal(size=size)

## カイ二乗分布
df = 3
X_chisq = rng.chisquare(df=df, size=size)

## ワイブル分布
a = 50
X_weibull = rng.weibull(a=a, size=size)

## ガウス分布
loc = 100
X_gaussian = rng.normal(loc=loc, size=size)

## 一様分布
X_uniform = rng.uniform(low=0, high=1, size=size)

## 二峰性分布
loc_a, loc_b = 100, 105
X_a, X_b = rng.normal(loc=loc_a, size=size), rng.normal(loc=loc_b, size=size)
X_bimodal = np.concatenate([X_a, X_b], axis=0)

グラフの作成

ここでは、6 つの分布それぞれについてグラフを作成し、元の分布と Box-Cox、Yeo-Johnson、Quantile Transformer を使った変換後の分布を表示します。

distributions = [
    ("Lognormal", X_lognormal),
    ("Chi-squared", X_chisq),
    ("Weibull", X_weibull),
    ("Gaussian", X_gaussian),
    ("Uniform", X_uniform),
    ("Bimodal", X_bimodal),
]

colors = ["#D81B60", "#0188FF", "#FFC107", "#B7A2FF", "#000000", "#2EC5AC"]

fig, axes = plt.subplots(nrows=8, ncols=3, figsize=plt.figaspect(2))
axes = axes.flatten()
axes_idxs = [
    (0, 3, 6, 9),
    (1, 4, 7, 10),
    (2, 5, 8, 11),
    (12, 15, 18, 21),
    (13, 16, 19, 22),
    (14, 17, 20, 23),
]
axes_list = [(axes[i], axes[j], axes[k], axes[l]) for (i, j, k, l) in axes_idxs]

for distribution, color, axes in zip(distributions, colors, axes_list):
    name, X = distribution
    X_train, X_test = train_test_split(X, test_size=0.5)

    ## パワー変換と Quantile 変換を実行
    X_trans_bc = bc.fit(X_train).transform(X_test)
    lmbda_bc = round(bc.lambdas_[0], 2)
    X_trans_yj = yj.fit(X_train).transform(X_test)
    lmbda_yj = round(yj.lambdas_[0], 2)
    X_trans_qt = qt.fit(X_train).transform(X_test)

    ax_original, ax_bc, ax_yj, ax_qt = axes

    ax_original.hist(X_train, color=color, bins=BINS)
    ax_original.set_title(name, fontsize=FONT_SIZE)
    ax_original.tick_params(axis="both", which="major", labelsize=FONT_SIZE)

    for ax, X_trans, meth_name, lmbda in zip(
        (ax_bc, ax_yj, ax_qt),
        (X_trans_bc, X_trans_yj, X_trans_qt),
        ("Box-Cox", "Yeo-Johnson", "Quantile transform"),
        (lmbda_bc, lmbda_yj, None),
    ):
        ax.hist(X_trans, color=color, bins=BINS)
        title = "After {}".format(meth_name)
        if lmbda is not None:
            title += "\n$\\lambda$ = {}".format(lmbda)
        ax.set_title(title, fontsize=FONT_SIZE)
        ax.tick_params(axis="both", which="major", labelsize=FONT_SIZE)
        ax.set_xlim([-3.5, 3.5])

plt.tight_layout()
plt.show()

まとめ

この実験では、PowerTransformer を使って、Box-Cox 変換と Yeo-Johnson 変換を用いてさまざまな分布からのデータを正規分布にマッピングする方法を学びました。また、QuantileTransformer を使って任意の分布をガウス分布に強制する方法も学びました。一部の変換は特定のデータセットでは無効である可能性があるため、変換前後のデータを可視化することが重要です。