ПочатиПочніть безкоштовно

Дисперсія ознак PCA

Набір даних про риб має 6 вимірів. Але якою є його внутрішня розмірність? Побудуйте графік дисперсій ознак PCA, щоб це з'ясувати. Як і раніше, samples — це двовимірний масив, де кожен рядок відповідає одній рибі. Спершу потрібно стандартизувати ознаки.

Ця вправа є частиною курсу

Наглядове навчання в Python

Переглянути курс

Інструкції до вправи

  • Створіть екземпляр StandardScaler з назвою scaler.
  • Створіть екземпляр PCA з назвою pca.
  • Скористайтеся функцією make_pipeline(), щоб побудувати конвеєр, що послідовно застосовує scaler і pca.
  • Використайте метод .fit() об'єкта pipeline, щоб навчити його на вибірці риб samples.
  • Витягніть кількість використаних компонент за допомогою атрибута .n_components_ об'єкта pca. Передайте це значення у функцію range() і збережіть результат у змінній features.
  • Використайте функцію plt.bar(), щоб побудувати стовпчикову діаграму пояснених дисперсій: features — по осі x, pca.explained_variance_ — по осі y.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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()
Редагувати та запускати код