Erste SchritteKostenlos loslegen

Dekorrelieren der Körnermessungen mit PCA

Du hast in der vorherigen Übung beobachtet, dass die Breiten- und Längenmaße des Korns korreliert sind. Jetzt verwendest du PCA, um diese Messungen zu dekorrelieren, die dekorrelierten Punkte darzustellen und ihre Pearson-Korrelation zu messen.

Diese Übung ist Teil des Kurses

Unüberwachtes Lernen in Python

Kurs anzeigen

Anleitung zur Übung

  • Importiere PCA von sklearn.decomposition.
  • Erstelle eine Instanz von PCA mit dem Namen model.
  • Verwende die Methode .fit_transform() von model, um die Transformation PCA auf grains anzuwenden. Weise das Ergebnis pca_features zu.
  • Der nachfolgende Code zum Extrahieren, Darstellen und Berechnen der Pearson-Korrelation der ersten beiden Spalten pca_features wurde für dich geschrieben, also klicke auf "Senden", um das Ergebnis zu sehen!

Interaktive Übung zum Anfassen

Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.

# 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)
Bearbeiten und Ausführen von Code