Zacznij terazZacznij za darmo

Wariancja cech PCA

Zbiór danych o rybach ma 6 wymiarów. Jaki jest jednak jego wymiar wewnętrzny? Sporządź wykres wariancji cech PCA, aby się tego dowiedzieć. Podobnie jak wcześniej, samples to dwuwymiarowa tablica, w której każdy wiersz reprezentuje jedną rybę. Najpierw musisz ustandaryzować cechy.

To ćwiczenie jest częścią kursu

Uczenie nienadzorowane w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Utwórz instancję klasy StandardScaler o nazwie scaler.
  • Utwórz instancję klasy PCA o nazwie pca.
  • Za pomocą funkcji make_pipeline() utwórz potok łączący scaler i pca.
  • Użyj metody .fit() obiektu pipeline, aby dopasować go do próbek samples.
  • Wyodrębnij liczbę użytych składowych za pomocą atrybutu .n_components_ obiektu pca. Umieść ją wewnątrz funkcji range() i zapisz wynik jako features.
  • Użyj funkcji plt.bar(), aby wykreślić wyjaśnione wariancje – features na osi x, a pca.explained_variance_ na osi y.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()
Edytuj i uruchom kod