LoslegenKostenlos loslegen

Dekorrelation der Getreidemessungen mit PCA

In der vorherigen Übung hast du gesehen, dass die Breiten- und Längenmessungen der Körner korreliert sind. Jetzt nutzt du PCA, um diese Messungen zu dekorrelieren, anschließend visualisierst du die dekorrelierten Punkte und misst ihre Pearson-Korrelation.

Diese Übung ist Teil des Kurses

Unsupervised Learning in Python

Kurs anzeigen

Anleitung zur Übung

  • Importiere PCA aus sklearn.decomposition.
  • Erzeuge eine Instanz von PCA namens model.
  • Verwende die Methode .fit_transform() von model, um die PCA-Transformation auf grains anzuwenden. Weise das Ergebnis pca_features zu.
  • Der nachfolgende Code zum Extrahieren, Plotten und Berechnen der Pearson-Korrelation der ersten beiden Spalten von pca_features wurde bereits für dich geschrieben. Klicke also auf Antworten, um das Ergebnis zu sehen!

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import PCA
____

# Create PCA instance: model
model = ____

# Apply the fit_transform method of model to grains: pca_features
pca_features = ____

# Assign 0th column of pca_features: xs
xs = pca_features[:,0]

# Assign 1st column of pca_features: ys
ys = pca_features[:,1]

# Scatter plot xs vs ys
plt.scatter(xs, ys)
plt.axis('equal')
plt.show()

# Calculate the Pearson correlation of xs and ys
correlation, pvalue = pearsonr(xs, ys)

# Display the correlation
print(correlation)
Code bearbeiten und ausführen