Erklärte Varianz

Teil des Abschnitts Unüberwachtes Lernen der Machine Learning-Journey von Coddy. Lektion 27 von 51.

Wie viel haben 2 Komponenten beibehalten? Jede Komponente hält einen Anteil der Gesamtstreuung fest, ihre erklärte Varianzquote. Für alle 13 Weinkomponenten:

Balken für 13 Weinkomponenten, die von 0.36 auf fast 0 abnehmen, und eine orangefarbene Linie, die sie aufsummiert und von 0.36 auf 1 steigt. Sie kreuzt die gestrichelte 90%-Linie bei Komponente 8

PCA() ohne n_components behält alle bei. np.cumsum liefert die laufende Summe:

pca = PCA().fit(scaled)
ratio = pca.explained_variance_ratio_
print(ratio[:3].round(3))
total = np.cumsum(ratio)
print((total < 0.9).sum() + 1)

Dies gibt [0.362 0.192 0.111] und 8 aus: Die Summen liegen weiterhin unter 0.9, plus der Wert, der die Grenze überschreitet. Die 2D-Weinkarte behielt also 55 %.

Aufgabe

Mittel

Ein Schokoladenlabor misst 9 Dinge pro Tafel. Wie viele Komponenten behalten 90% der Streuung bei? scaled ist bereit.

Führe PCA() aus und nimm den Anteil jeder Komponente.
Gib aus, wie viele Komponenten 90% erreichen.
Zeichne die Anteile als Balken bei 1, 2, 3..., beschriftet mit each component; die laufende Summe als Linie mit marker="o", beschriftet mit running total; eine gestrichelte graue Linie bei 0.9; eine Legende. Zeige die Grafik an.

Für ein anderes Labor:

Components for 90%: 4

Ein Diagramm mit dem Titel „Von jeder Komponente beibehaltene Streuung“ für 7 Komponenten: Balken, die von 0.42 aus kleiner werden, eine laufende Summe, die auf 1 ansteigt und die gestrichelte 0.9-Linie bei Komponente 4 kreuzt, sowie eine Legende

Probier es selbst

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA

# Das Labor eines Schokoladenherstellers: 9 Messwerte für jede von 150 Tafeln
bars = pd.read_csv("chocolate.csv")
scaled = StandardScaler().fit_transform(bars)

fig, ax = plt.subplots()
ax.set_title("Spread Kept by Each Component")
ax.set_xlabel("Component")
ax.set_ylabel("Share of spread")

# Schreibe deinen Code unten