ComeçarComece de graça

Descorrelacionando as medições de grãos com PCA

Você viu no exercício anterior que as medidas de largura e comprimento do grão estão relacionadas. Agora, você vai usar a PCA pra descorrelacionar essas medições, depois plotar os pontos descorrelacionados e medir a correlação de Pearson deles.

Este exercício faz parte do curso

Aprendizado não supervisionado em Python

Ver curso

Instruções do exercício

  • Importe PCA de sklearn.decomposition.
  • Crie uma instância de PCA chamada model.
  • Use o método “ .fit_transform() ” de model para aplicar a transformação PCA a grains. Atribua o resultado a pca_features.
  • O código a seguir para extrair, plotar e calcular a correlação de Pearson das duas primeiras colunas pca_features já foi escrito pra você, então clique em enviar pra ver o resultado!

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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)
Editar e executar o código