Zacznij terazZacznij za darmo

Usuwanie korelacji z pomiarów ziaren za pomocą PCA

W poprzednim ćwiczeniu zaobserwowałeś, że pomiary szerokości i długości ziaren są ze sobą skorelowane. Teraz użyjesz PCA, aby usunąć tę korelację, a następnie zwizualizujesz nowe punkty i obliczysz ich korelację Pearsona.

To ćwiczenie jest częścią kursu

Uczenie nienadzorowane w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj PCA z sklearn.decomposition.
  • Utwórz instancję klasy PCA o nazwie model.
  • Użyj metody .fit_transform() obiektu model, aby zastosować transformację PCA do zbioru grains. Wynik przypisz do zmiennej pca_features.
  • Kolejny fragment kodu – służący do wyodrębnienia, zwizualizowania i obliczenia korelacji Pearsona dla dwóch pierwszych kolumn pca_features – został już za ciebie przygotowany. Kliknij Prześlij odpowiedź, aby zobaczyć wynik!

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import PCA
____

# Create PCA instance: model
model = ____

# Apply the fit_transform method of model to grains: pca_features
pca_features = ____

# Assign 0th column of pca_features: xs
xs = pca_features[:,0]

# Assign 1st column of pca_features: ys
ys = pca_features[:,1]

# Scatter plot xs vs ys
plt.scatter(xs, ys)
plt.axis('equal')
plt.show()

# Calculate the Pearson correlation of xs and ys
correlation, pvalue = pearsonr(xs, ys)

# Display the correlation
print(correlation)
Edytuj i uruchom kod