PCA voor feature-exploratie

Je gaat de PCA-pijplijn gebruiken die je in de vorige oefening hebt gebouwd om visueel te verkennen hoe sommige categorische features bijdragen aan de variantie in poke_df. Deze categorische features (Type & Legendary) staan in een aparte DataFrame poke_cat_df.

Alle relevante pakketten en klassen zijn voor je vooraf geladen (Pipeline(), StandardScaler(), PCA()).

Deze oefening maakt deel uit van de cursus

Dimensionality Reduction in Python

Cursus bekijken

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Build the pipeline
pipe = Pipeline([('scaler', StandardScaler()),
                 ('reducer', PCA(n_components=2))])

# Fit the pipeline to poke_df and transform the data
pc = ____

print(pc)

Code bewerken en uitvoeren