BaşlayınÜcretsiz Başlayın

PCA özelliklerinin varyansı

Balık veri kümesi 6 boyutlu. Peki onun özünde (intrinsic) boyutu nedir? Bunu bulmak için PCA özelliklerinin varyanslarının grafiğini çiz. Daha önce olduğu gibi, samples 2B bir dizidir ve her satır bir balığı temsil eder. Önce özellikleri standartlaştırman gerekecek.

Bu egzersiz

Python'da Unsupervised Learning

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • scaler adlı bir StandardScaler örneği oluştur.
  • pca adlı bir PCA örneği oluştur.
  • make_pipeline() fonksiyonunu kullanarak scaler ve pca’yı zincirleyen bir boru hattı (pipeline) oluştur.
  • pipeline’ın .fit() metodunu kullanarak balık örnekleri samples üzerine uydur.
  • pca’nın .n_components_ özniteliğini kullanarak kullanılan bileşen sayısını çıkar. Bunu range() fonksiyonunun içine koy ve sonucu features olarak sakla.
  • Açıklanan varyansları çizmek için plt.bar() fonksiyonunu kullan; x ekseninde features, y ekseninde pca.explained_variance_ olsun.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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()
Kodu Düzenle ve Çalıştır