CommencerCommencer gratuitement

Décorréler les mesures des grains avec la PCA

Dans l'exercice précédent, vous avez observé que les mesures de largeur et de longueur du grain sont corrélées. À présent, vous utiliserez la PCA pour décorréler ces mesures, puis vous créerez un graphique avec les points décorrélés et vous mesureriez leur corrélation de Pearson.

Cet exercice fait partie du cours

Apprentissage non supervisé en Python

Afficher le cours

Instructions

  • Importez PCA depuis sklearn.decomposition.
  • Créez une instance de PCA appelée model.
  • Utilisez la méthode .fit_transform() de model pour appliquer la transformation PCA à grains. Attribuez le résultat à pca_features.
  • Le code suivant permettant d'extraire, de créer un graphique et de calculer la corrélation de Pearson des deux premières colonnes pca_features a été rédigé pour vous, veuillez donc 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