PCA 不會學到部件
與 NMF 不同，PCA 不會學到事物的「部件」。它的成分在文件情境下不會對應到主題，在影像情境下也不會對應到影像的部分。請你將 PCA 模型擬合到前一個練習的 LED 數字影像資料集，並檢視其成分，親自驗證這點。這些影像以 2D 陣列 samples 提供。另外也提供了經過修改的 show_as_image() 函式，若像素值為負則會以紅色顯示。
送出答案後，留意 PCA 的成分並不代表 LED 數字影像中有意義的部件！
本練習屬於課程
Unsupervised Learning in Python
練習說明
- 從
sklearn.decomposition匯入PCA。 - 建立一個具有
7個成分、名稱為model的PCA執行個體。 - 對
model套用.fit_transform()方法至samples，並將結果指定給features。 - 對模型的每個成分（透過
model.components_取得），在迴圈內對該成分呼叫show_as_image()函式。
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 a PCA instance: model
model = ____
# Apply fit_transform to samples: features
features = ____
# Call show_as_image on each component
for component in ____:
____