Visualisering af Forklaret Varians og Komponentbelastninger
Efter at have tilpasset PCA, er det vigtigt at forstå, hvor meget information (varians) hver hovedkomponent fanger. Forklaret varians-forhold angiver dette. Du kan også undersøge komponentbelastningerne for at se, hvordan de oprindelige funktioner bidrager til hver hovedkomponent.
1234567891011121314151617181920212223242526272829303132333435import numpy as np import pandas as pd from sklearn.datasets import load_iris from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA import matplotlib.pyplot as plt import seaborn as sns # Load the Iris dataset data = load_iris() X = data.data feature_names = data.feature_names # Standardize features (important for PCA) scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # Apply PCA to reduce to 2 components pca = PCA(n_components=2) X_pca = pca.fit_transform(X_scaled) # Plot explained variance ratio plt.figure(figsize=(6,4)) plt.bar(range(1, len(pca.explained_variance_ratio_)+1), pca.explained_variance_ratio_, alpha=0.7) plt.ylabel('Explained Variance Ratio') plt.xlabel('Principal Component') plt.title('Explained Variance by Principal Components') plt.show() # Display component loadings as a heatmap loadings = pd.DataFrame(pca.components_.T, columns=['PC1', 'PC2'], index=feature_names) plt.figure(figsize=(6,4)) sns.heatmap(loadings, annot=True, cmap='coolwarm') plt.title('Principal Component Loadings') plt.show()
Søjlediagrammet viser andelen af varians, der forklares af hver hovedkomponent. Varmekortet viser belastningerne, som angiver, hvor meget hver oprindelig funktion bidrager til hver hovedkomponent. Store absolutte værdier betyder, at en funktion er vigtig for den pågældende komponent.
Tak for dine kommentarer!
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Awesome!
Completion rate improved to 8.33Visualisering af Forklaret Varians og Komponentbelastninger
Stryg for at vise menuen
Efter at have tilpasset PCA, er det vigtigt at forstå, hvor meget information (varians) hver hovedkomponent fanger. Forklaret varians-forhold angiver dette. Du kan også undersøge komponentbelastningerne for at se, hvordan de oprindelige funktioner bidrager til hver hovedkomponent.
1234567891011121314151617181920212223242526272829303132333435import numpy as np import pandas as pd from sklearn.datasets import load_iris from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA import matplotlib.pyplot as plt import seaborn as sns # Load the Iris dataset data = load_iris() X = data.data feature_names = data.feature_names # Standardize features (important for PCA) scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # Apply PCA to reduce to 2 components pca = PCA(n_components=2) X_pca = pca.fit_transform(X_scaled) # Plot explained variance ratio plt.figure(figsize=(6,4)) plt.bar(range(1, len(pca.explained_variance_ratio_)+1), pca.explained_variance_ratio_, alpha=0.7) plt.ylabel('Explained Variance Ratio') plt.xlabel('Principal Component') plt.title('Explained Variance by Principal Components') plt.show() # Display component loadings as a heatmap loadings = pd.DataFrame(pca.components_.T, columns=['PC1', 'PC2'], index=feature_names) plt.figure(figsize=(6,4)) sns.heatmap(loadings, annot=True, cmap='coolwarm') plt.title('Principal Component Loadings') plt.show()
Søjlediagrammet viser andelen af varians, der forklares af hver hovedkomponent. Varmekortet viser belastningerne, som angiver, hvor meget hver oprindelig funktion bidrager til hver hovedkomponent. Store absolutte værdier betyder, at en funktion er vigtig for den pågældende komponent.
Tak for dine kommentarer!
