시작하기무료로 시작하기

PCA 특징의 분산

fish 데이터셋은 6차원입니다. 그렇다면 이 데이터의 고유 차원(intrinsic dimension)은 얼마일까요? 이를 알아보기 위해 PCA 특징들의 분산을 그래프로 그려 보세요. 이전과 마찬가지로 samples는 2차원 배열이며, 각 행이 하나의 물고기를 나타냅니다. 먼저 특징들을 표준화해야 합니다.

이 연습은 강의의 일부입니다

Python으로 배우는 Unsupervised Learning

강의 보기

연습 안내

  • StandardScaler 인스턴스 scaler를 만드세요.
  • PCA 인스턴스 pca를 만드세요.
  • make_pipeline() 함수를 사용해 scaler와 pca를 연결한 파이프라인을 만드세요.
  • pipeline의 .fit() 메서드를 사용해 물고기 샘플 samples에 맞추세요.
  • pca의 .n_components_ 속성을 사용해 사용된 구성 요소 개수를 추출하고, 이를 range() 함수에 넣어 features로 저장하세요.
  • plt.bar() 함수를 사용해 설명된 분산을 그리되, x축에는 features, y축에는 pca.explained_variance_를 사용하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Perform the necessary imports
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
import matplotlib.pyplot as plt

# Create scaler: scaler
scaler = ____

# Create a PCA instance: pca
pca = ____

# Create pipeline: pipeline
pipeline = ____

# Fit the pipeline to 'samples'
____

# Plot the explained variances
features = ____
plt.bar(____, ____)
plt.xlabel('PCA feature')
plt.ylabel('variance')
plt.xticks(features)
plt.show()
코드 편집 및 실행