Zacznij terazZacznij za darmo

Redukcja wymiarowości pomiarów ryb

W poprzednim ćwiczeniu wynikało, że 2 jest rozsądnym wyborem dla „wymiaru wewnętrznego" pomiarów ryb. Teraz zastosuj PCA do redukcji wymiarowości tych danych, zachowując tylko 2 najważniejsze komponenty.

Pomiary ryb zostały już przeskalowane i są dostępne jako scaled_samples.

To ćwiczenie jest częścią kursu

Uczenie nienadzorowane w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj PCA z sklearn.decomposition.
  • Utwórz instancję PCA o nazwie pca z argumentem n_components=2.
  • Użyj metody .fit() obiektu pca, aby dopasować go do przeskalowanych pomiarów ryb scaled_samples.
  • Użyj metody .transform() obiektu pca, aby przekształcić scaled_samples. Wynik przypisz do zmiennej pca_features.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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)
Edytuj i uruchom kod