Visualización de la Varianza Explicada y las Cargas de los Componentes
Después de ajustar PCA, es fundamental comprender cuánta información (varianza) captura cada componente principal. La proporción de varianza explicada indica este valor. También es posible examinar las cargas de los componentes para observar cómo las características originales contribuyen a cada componente principal.
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()
El diagrama de barras muestra la proporción de varianza explicada por cada componente principal. El mapa de calor presenta las cargas, que indican cuánto contribuye cada característica original a cada componente principal. Los valores absolutos grandes significan que una característica es importante para ese componente.
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 8.33Visualización de la Varianza Explicada y las Cargas de los Componentes
Desliza para mostrar el menú
Después de ajustar PCA, es fundamental comprender cuánta información (varianza) captura cada componente principal. La proporción de varianza explicada indica este valor. También es posible examinar las cargas de los componentes para observar cómo las características originales contribuyen a cada componente principal.
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()
El diagrama de barras muestra la proporción de varianza explicada por cada componente principal. El mapa de calor presenta las cargas, que indican cuánto contribuye cada característica original a cada componente principal. Los valores absolutos grandes significan que una característica es importante para ese componente.
¡Gracias por tus comentarios!
