ComenzarEmpieza gratis

Decorrelación de las medidas de grano con PCA

En el ejercicio anterior has observado que las medidas de anchura y longitud del grano están correlacionadas. Ahora, utilizarás PCA para descorrelacionar estas medidas, luego trazarás los puntos descorrelacionados y medirás su correlación de Pearson.

Este ejercicio forma parte del curso

Aprendizaje no supervisado en Python

Ver curso

Instrucciones de ejercicio

  • Importa PCA desde sklearn.decomposition.
  • Crea una instancia de la clase PCA denominado model.
  • Utiliza el método .fit_transform() de model para aplicar la transformación PCA a grains. Asigna el resultado a pca_features.
  • El código posterior para extraer, trazar y calcular la correlación de Pearson de las dos primeras columnas pca_features se te proporciona escrito, ¡así que pulsa enviar para ver el resultado!

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# 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)
Editar y ejecutar código