CommencerCommencer gratuitement

Décorrélation des mesures de grain à l'aide de l'ACP

Vous avez observé dans l'exercice précédent que les mesures de largeur et de longueur du grain sont corrélées. Maintenant, vous allez utiliser l'ACP pour décorrélationner ces mesures, puis tracer les points décorrélés et mesurer leur corrélation de Pearson.

Cet exercice fait partie du cours

Apprentissage non supervisé en Python

Afficher le cours

Instructions

  • Importez PCA à partir de sklearn.decomposition.
  • Veuillez créer une instance d'PCA nommée model.
  • Veuillez utiliser la méthode .fit_transform() de model pour appliquer la transformation PCA à grains. Affectez le résultat à pca_features.
  • Le code suivant, qui extrait, représente graphiquement et calcule la corrélation de Pearson des deux premières colonnes pca_features, a été écrit pour vous. Veuillez cliquer sur « Soumettre » pour voir le résultat.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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)
Modifier et exécuter le code