НачатьНачать бесплатно

Удаление корреляции в измерениях зёрен с помощью PCA

В предыдущем упражнении вы убедились, что измерения ширины и длины зёрен коррелируют между собой. Теперь вы воспользуетесь PCA, чтобы устранить эту корреляцию, затем визуализируете преобразованные точки и вычислите их корреляцию Пирсона.

Это упражнение является частью курса

Обучение без учителя на Python

Посмотреть курс

Инструкции к упражнению

  • Импортируйте PCA из sklearn.decomposition.
  • Создайте экземпляр класса PCA с именем model.
  • Используйте метод .fit_transform() объекта model, чтобы применить преобразование PCA к данным grains. Сохраните результат в переменную pca_features.
  • Код для извлечения, визуализации и вычисления корреляции Пирсона для первых двух столбцов pca_features уже написан — нажмите «Отправить ответ», чтобы увидеть результат!

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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)
Редактировать и запускать код