Revisão: Cantos de Pássaros

Parte da seção Aprendizado não supervisionado do Journey de Machine Learning da Coddy. Lição 28 de 51.

Desafio

Médio

Um observador de pássaros registrou 160 cantos de quatro espécies, com 7 medidas cada. Reduza-os a um único mapa, como os vinhos que abriram este capítulo.

Escale as medidas e ajuste um PCA() que mantenha todos os componentes; guarde a saída de fit_transform em points.
Imprima a proporção da variabilidade mantida pelos dois primeiros componentes, com 3 casas decimais, e quantos componentes são necessários para chegar a 90%.
Faça um gráfico de dispersão dos dois primeiros componentes, com um grupo por espécie, identificado pelo nome, e uma legenda. Exiba-o.

Para outro observador de pássaros:

First two keep: 0.818
Components for 90%: 4

Um gráfico intitulado Cantos de pássaros em 2D, com o primeiro componente na horizontal e o segundo na vertical: quatro grupos de cantos, melro, tentilhão, pisco-de-peito-ruivo e carriça, cada um em sua própria cor, com uma legenda

Coddy descreve seu mapa. Quais duas espécies cantam de forma mais parecida?

Experimente você mesmo

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 um observador de aves: 7 medidas para cada um dos 160 cantos, e a espécie da 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")

# Escreva seu código abaixo