CommencezCommencez gratuitement

Variance des caractéristiques de la PCA

L'ensemble de données sur les poissons est à 6 dimensions. Mais quelle est sa dimension intrinsèque? Dressez un graphique des variances des caractéristiques de la PCA pour le découvrir. Comme précédemment, samples est un tableau 2D où chaque ligne représente un poisson. Vous devrez d'abord normaliser les caractéristiques.

Cette activité fait partie du cours

Unsupervised Learning in Python

Voir le cours

Instructions de l’exercice

  • Créez une instance de StandardScaler appelée scaler.
  • Créez une instance de PCA appelée pca.
  • Utilisez la fonction make_pipeline() pour créer un pipeline en enchaînant scaler et pca.
  • Utilisez la méthode .fit() de pipeline pour l'ajuster aux échantillons de poissons samples.
  • Extrayez le nombre de composantes à l'aide de l'attribut .n_components_ de pca. Placez-le dans une fonction range() et stockez le résultat dans features.
  • Utilisez la fonction plt.bar() pour tracer les variances expliquées, avec features sur l'axe des x et pca.explained_variance_ sur l'axe des y.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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()
Modifier et exécuter le code