LoslegenKostenlos loslegen

Entkorrelierung der Kornmessungen mit PCA

In der letzten Übung hast du gesehen, dass die Breite und Länge der Maserung zusammenhängen. Jetzt nimmst du PCA, um diese Messungen zu dekorrelieren, zeichnest dann die dekorrelierten Punkte auf und misst ihre Pearson-Korrelation.

Diese Übung ist Teil des Kurses

Unüberwachtes Lernen in Python

Kurs anzeigen

Anleitung zur Übung

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

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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