Redução de Dados para 2D/3D e Visualização com Matplotlib
Visualizar dados com os dois ou três primeiros componentes principais auxilia na identificação de padrões e agrupamentos ocultos em espaços de alta dimensão. Ao projetar os dados nesses componentes, é possível observar agrupamentos que revelam a estrutura do conjunto de dados. Isso é especialmente útil para conjuntos como o Iris, onde a redução para 2D ou 3D facilita a distinção entre classes e a compreensão visual dos dados.
123456789101112131415161718192021222324252627282930313233343536# 2D scatter plot of the first two principal components import matplotlib.pyplot as plt import seaborn as sns from sklearn.decomposition import PCA from sklearn.datasets import load_iris from sklearn.preprocessing import StandardScaler # Load and scale the data data = load_iris() X = data.data X_scaled = StandardScaler().fit_transform(X) # Fit PCA and transform to 2D pca = PCA(n_components=2) X_pca = pca.fit_transform(X_scaled) plt.figure(figsize=(8,6)) sns.scatterplot(x=X_pca[:,0], y=X_pca[:,1], hue=data.target, palette='Set1', s=60) plt.xlabel('Principal Component 1') plt.ylabel('Principal Component 2') plt.title('PCA - Iris Dataset (2D)') plt.legend(title='Species') plt.show() # 3D visualization from mpl_toolkits.mplot3d import Axes3D pca_3d = PCA(n_components=3) X_pca_3d = pca_3d.fit_transform(X_scaled) fig = plt.figure(figsize=(8,6)) ax = fig.add_subplot(111, projection='3d') scatter = ax.scatter(X_pca_3d[:,0], X_pca_3d[:,1], X_pca_3d[:,2], c=data.target, cmap='Set1', s=60) ax.set_xlabel('PC1') ax.set_ylabel('PC2') ax.set_zlabel('PC3') plt.title('PCA - Iris Dataset (3D)') plt.show()
O gráfico de dispersão 2D mostra como as amostras estão distribuídas ao longo dos dois primeiros componentes principais, frequentemente revelando agrupamentos correspondentes a diferentes classes. O gráfico 3D pode proporcionar ainda mais separação se o terceiro componente adicionar variância significativa. Ao visualizar os dados dessa forma, obtém-se insights sobre o quão bem o PCA está capturando a estrutura essencial do conjunto de dados e se uma redução adicional de dimensionalidade pode ser apropriada para a análise.
Obrigado pelo seu feedback!
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Awesome!
Completion rate improved to 8.33Redução de Dados para 2D/3D e Visualização com Matplotlib
Deslize para mostrar o menu
Visualizar dados com os dois ou três primeiros componentes principais auxilia na identificação de padrões e agrupamentos ocultos em espaços de alta dimensão. Ao projetar os dados nesses componentes, é possível observar agrupamentos que revelam a estrutura do conjunto de dados. Isso é especialmente útil para conjuntos como o Iris, onde a redução para 2D ou 3D facilita a distinção entre classes e a compreensão visual dos dados.
123456789101112131415161718192021222324252627282930313233343536# 2D scatter plot of the first two principal components import matplotlib.pyplot as plt import seaborn as sns from sklearn.decomposition import PCA from sklearn.datasets import load_iris from sklearn.preprocessing import StandardScaler # Load and scale the data data = load_iris() X = data.data X_scaled = StandardScaler().fit_transform(X) # Fit PCA and transform to 2D pca = PCA(n_components=2) X_pca = pca.fit_transform(X_scaled) plt.figure(figsize=(8,6)) sns.scatterplot(x=X_pca[:,0], y=X_pca[:,1], hue=data.target, palette='Set1', s=60) plt.xlabel('Principal Component 1') plt.ylabel('Principal Component 2') plt.title('PCA - Iris Dataset (2D)') plt.legend(title='Species') plt.show() # 3D visualization from mpl_toolkits.mplot3d import Axes3D pca_3d = PCA(n_components=3) X_pca_3d = pca_3d.fit_transform(X_scaled) fig = plt.figure(figsize=(8,6)) ax = fig.add_subplot(111, projection='3d') scatter = ax.scatter(X_pca_3d[:,0], X_pca_3d[:,1], X_pca_3d[:,2], c=data.target, cmap='Set1', s=60) ax.set_xlabel('PC1') ax.set_ylabel('PC2') ax.set_zlabel('PC3') plt.title('PCA - Iris Dataset (3D)') plt.show()
O gráfico de dispersão 2D mostra como as amostras estão distribuídas ao longo dos dois primeiros componentes principais, frequentemente revelando agrupamentos correspondentes a diferentes classes. O gráfico 3D pode proporcionar ainda mais separação se o terceiro componente adicionar variância significativa. Ao visualizar os dados dessa forma, obtém-se insights sobre o quão bem o PCA está capturando a estrutura essencial do conjunto de dados e se uma redução adicional de dimensionalidade pode ser apropriada para a análise.
Obrigado pelo seu feedback!
