魚データの次元削減
前の演習で、魚の測定データの「内在次元」として2が妥当な数字であることを確認しました。今回はPCAを使ってこのデータの次元削減を行い、重要な2つの成分だけを残しましょう。
魚の測定データ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
演習の手順
sklearn.decompositionからPCAをインポートしてください。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てください。pcaの.fit()メソッドを使って、スケーリング済みの魚の測定データscaled_samplesにフィットさせてください。pcaの.transform()メソッドを使ってscaled_samplesを変換し、その結果をpca_featuresに代入してください。
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)