CommencerCommencez 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

<cours>Apprentissage non supervisé en Python</cours>
Voir le cours

Instructions de l’exercice

  • 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 ce code d’exemple.

# 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