Začněte nyníZačněte zdarma

Rozptyl příznaků PCA

Dataset s rybami má 6 dimenzí. Jaká je ale jeho vnitřní dimenze? Sestav graf rozptylů příznaků PCA a zjisti to. Stejně jako dříve je samples 2D pole, kde každý řádek představuje jednu rybu. Nejprve budeš muset příznaky standardizovat.

Toto cvičení je součástí kurzu

Unsupervised Learning in Python

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř instanci StandardScaler s názvem scaler.
  • Vytvoř instanci PCA s názvem pca.
  • Pomocí funkce make_pipeline() vytvoř pipeline, která řetězí scaler a pca.
  • Použij metodu .fit() objektu pipeline a natrénuj ji na vzorcích ryb samples.
  • Zjisti počet použitých komponent pomocí atributu .n_components_ objektu pca. Předej tuto hodnotu do funkce range() a výsledek ulož jako features.
  • Pomocí funkce plt.bar() vykresli vysvětlené rozptyly – na osu x dej features a na osu y pca.explained_variance_.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Perform the necessary imports
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
import matplotlib.pyplot as plt

# Create scaler: scaler
scaler = ____

# Create a PCA instance: pca
pca = ____

# Create pipeline: pipeline
pipeline = ____

# Fit the pipeline to 'samples'
____

# Plot the explained variances
features = ____
plt.bar(____, ____)
plt.xlabel('PCA feature')
plt.ylabel('variance')
plt.xticks(features)
plt.show()
Upravit a spustit kód