用 PCA 讓穀物量測去相關化
你在前一個練習中觀察到，穀物的寬度與長度量測彼此相關。現在，你將使用 PCA 來讓這些量測去相關化，接著繪製去相關後的點，並計算它們的皮爾森相關係數。
本練習屬於課程
Unsupervised Learning in Python
練習說明
- 從
sklearn.decomposition匯入PCA。 - 建立名為
model的PCA實例。 - 使用
model的.fit_transform()方法將 PCA 轉換套用到grains。把結果指定給pca_features。 - 之後用來擷取、繪圖並計算
pca_features前兩欄皮爾森相關的程式碼已經替你寫好，按下「送出答案」即可查看結果！
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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)