PCA en Python

Rotar los datos para que los primeros ejes carguen la mayor varianza.

from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler

X, y = load_iris(return_X_y=True)
reducir_a_dos = make_pipeline(StandardScaler(), PCA(n_components=2))
proyectado = reducir_a_dos.fit_transform(X)

pca = reducir_a_dos.named_steps["pca"]
print(proyectado.shape)
print(pca.explained_variance_ratio_.round(3))
print(f"conserva {pca.explained_variance_ratio_.sum():.1%} de la varianza")

Cómo funciona

1. n_components es cuántos ejes conservas.
2. explained_variance_ratio_ dice cuánto vale cada uno.
3. Escala primero: el PCA sigue a la característica con los números más grandes.

Palabras clave y builtins usados aquí

• print

El intento, en números

Líneas

13

Caracteres a escribir

502

Tokens

103

Ritmo de tres estrellas

110 tpm

Al ritmo de tres estrellas de 110 tokens por minuto, este intento toma unos 56 segundos.

Escribe este fragmento

Paso 2 de 2 en No supervisado; paso 21 de 25 en Machine learning con scikit-learn.

← Anterior Siguiente →