Repaso: cantos de aves

Parte de la sección Aprendizaje no supervisado del Journey de Machine Learning de Coddy. Lección 28 de 51.

Desafío

Intermedio

Un observador de aves grabó 160 cantos de cuatro especies, con 7 mediciones cada uno. Comprímelos en un solo mapa, como los vinos que dieron inicio a este capítulo.

Estandariza las mediciones y ajusta un PCA() que conserve todos los componentes; guarda su resultado de fit_transform en points.
Imprime la proporción de dispersión que conservan los dos primeros componentes, con 3 decimales, y cuántos componentes se necesitan para llegar al 90%.
Representa en un gráfico de dispersión los dos primeros componentes, con un grupo por especie etiquetado con su nombre, y una leyenda. Muéstralo.

Para otro observador de aves:

First two keep: 0.818
Components for 90%: 4

Un gráfico titulado Bird Songs in 2D, con el primer componente en el eje horizontal y el segundo en el vertical: cuatro grupos de cantos, blackbird, chaffinch, robin y wren, cada uno de un color distinto, con una leyenda

Coddy describe tu mapa. ¿Qué dos especies cantan de forma más parecida?

Pruébalo tú mismo

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

# Registros de un observador de aves: 7 mediciones de cada una de las 160 canciones y la especie del ave que canta
songs = pd.read_csv("songs.csv")
X = songs.drop(columns="species")

fig, ax = plt.subplots()
ax.set_title("Bird Songs in 2D")
ax.set_xlabel("First component")
ax.set_ylabel("Second component")

# Escribe tu código a continuación