НачатьНачать бесплатно

Дисперсия признаков PCA

Набор данных о рыбах является 6-мерным. Но какова его внутренняя размерность? Постройте график дисперсий признаков PCA, чтобы это выяснить. Как и прежде, samples — это двумерный массив, где каждая строка представляет одну рыбу. Предварительно вам потребуется стандартизировать признаки.

Это упражнение является частью курса

Обучение без учителя на Python

Посмотреть курс

Инструкции к упражнению

  • Создайте экземпляр класса StandardScaler с именем scaler.
  • Создайте экземпляр класса PCA с именем pca.
  • С помощью функции make_pipeline() создайте конвейер, объединив scaler и pca.
  • Используйте метод .fit() объекта pipeline, чтобы обучить его на выборке рыб samples.
  • Извлеките количество использованных компонент с помощью атрибута .n_components_ объекта pca. Передайте это значение в функцию range() и сохраните результат в переменную features.
  • Используйте функцию plt.bar(), чтобы построить график объяснённой дисперсии: features — по оси X, pca.explained_variance_ — по оси Y.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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()
Редактировать и запускать код