Kom igångKom igång gratis

Dekorrelera spannmålsmätningarna med PCA

I föregående övning såg du att bredd- och längdmätningarna för spannmålet är korrelerade. Nu ska du använda PCA för att dekorrelera dessa mätningar, sedan plotta de dekorrelerade punkterna och mäta deras Pearsons korrelation.

Den här övningen är en del av kursen

Oövervakad inlärning i Python

Visa kurs

Övningsinstruktioner

  • Importera PCA från sklearn.decomposition.
  • Skapa en instans av PCA och kalla den model.
  • Använd metoden .fit_transform() på model för att tillämpa PCA-transformationen på grains. Tilldela resultatet till pca_features.
  • Koden som extraherar, plottar och beräknar Pearsons korrelation för de två första kolumnerna i pca_features är redan skriven, så klicka på Skicka in svar för att se resultatet!

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)
Redigera och kör kod