始める無料で始める

魚の測定値の次元削減

前の演習で、魚の測定値の「本質的次元」の妥当な選択が 2 であることを確認しました。今回は PCA を使って次元削減を行い、最も重要な 2 つの成分のみを残しましょう。

魚の測定値はすでにスケーリング済みで、scaled_samples として利用できます。

この演習はコースの一部です

Pythonで学ぶ教師なし学習

コースを見る

演習の手順

  • sklearn.decomposition から PCA をインポートします。
  • n_components=2 を指定して、pca という名前の PCA インスタンスを作成します。
  • pca の .fit() メソッドを使って、スケーリング済みの魚の測定値 scaled_samples に適合させます。
  • pca の .transform() メソッドを使って scaled_samples を変換し、結果を pca_features に代入します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# Import PCA
____

# Create a PCA model with 2 components: pca
pca = ____

# Fit the PCA instance to the scaled samples
____

# Transform the scaled samples: pca_features
pca_features = ____

# Print the shape of pca_features
print(pca_features.shape)
コードを編集して実行