ПочатиПочніть безкоштовно

Декореляція вимірювань зерен за допомогою PCA

У попередній вправі ви помітили, що вимірювання ширини та довжини зерна корельовані. Тепер ви використаєте PCA, щоб зняти цю кореляцію, потім побудуєте графік декорельованих точок і обчислите їхню кореляцію Пірсона.

Ця вправа є частиною курсу

Наглядове навчання в Python

Переглянути курс

Інструкції до вправи

  • Імпортуйте PCA з sklearn.decomposition.
  • Створіть екземпляр PCA з назвою model.
  • Використайте метод .fit_transform() об'єкта model, щоб застосувати перетворення PCA до grains. Присвойте результат змінній pca_features.
  • Наступний код для вибірки, побудови графіка та обчислення кореляції Пірсона для перших двох стовпців pca_features уже підготовлено. Натисніть «Надіслати відповідь», щоб переглянути результат!

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код