Kom igångKom igång gratis

Varians hos PCA-särdragen

Fiskedatamängden har 6 dimensioner. Men vad är dess inneboende dimension? Skapa ett diagram över varianserna hos PCA-särdragen för att ta reda på det. Som tidigare är samples en tvådimensionell array där varje rad representerar en fisk. Du behöver standardisera särdragen först.

Den här övningen är en del av kursen

Oövervakad inlärning i Python

Visa kurs

Övningsinstruktioner

  • Skapa en instans av StandardScaler och kalla den scaler.
  • Skapa en instans av PCA och kalla den pca.
  • Använd funktionen make_pipeline() för att skapa en pipeline som kedjar samman scaler och pca.
  • Använd metoden .fit() på pipeline för att anpassa den till fiskdatan i samples.
  • Hämta antalet använda komponenter med attributet .n_components_ på pca. Placera detta inuti en range()-funktion och lagra resultatet som features.
  • Använd funktionen plt.bar() för att plotta de förklarade varianserna, med features på x-axeln och pca.explained_variance_ på y-axeln.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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()
Redigera och kör kod