Percobaan 03 / PCA lab

Empat ukuran. Dua sumbu.

Dataset Iris punya 150 bunga dengan empat ukuran. Jalankan Python, lalu lihat bagaimana PCA merangkumnya menjadi dua koordinat.

Coba ubah n_components=2 menjadi 1 atau 3, lalu jalankan ulang. Untuk membandingkan skala, ganti baris X dengan X = iris.data.

Python · scikit-learn

from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA

iris = load_iris()
X = StandardScaler().fit_transform(iris.data)

pca = PCA(n_components=2)
Z = pca.fit_transform(X)

print("Bentuk data awal:", X.shape)
print("Bentuk hasil PCA:", Z.shape)
print("Varians tiap PC:", pca.explained_variance_ratio_)
print("Total tersimpan:", pca.explained_variance_ratio_.sum())

Ctrl / ⌘ + Enter

Eksekusi pertama mengunduh Python dan paketnya; perlu internet. Data Iris diproses di browser. Setiap eksekusi memakai variabel yang baru.

Pratinjau contoh Iris

Belum menjalankan Python

setosaversicolorvirginica

Warna hanya menunjukkan spesies asli. PCA tidak memakai label ini untuk membentuk komponen.

Observasi: 150
Komponen: 2
Total varians: 95.8%

Cara membacanya

Yang dekat,
cenderung mirip.

Pada peta PCA, bunga dengan koordinat berdekatan mirip dalam kombinasi ukuran yang ditampilkan. Dua sumbu menyimpan sebagian besar varians Iris yang sudah distandardisasi, tetapi tetap ada variasi yang tidak terlihat.

Kelompok yang terlihat bukan bukti bahwa PCA sudah menjadi model klasifikasi. PCA merangkum variasi; prediksi spesies memerlukan model dan evaluasi terpisah.

Empat ukuran. Dua sumbu.

Python · scikit-learn

Pratinjau contoh Iris

Yang dekat,cenderung mirip.

Yang dekat,
cenderung mirip.