Analisis de Componentes Principales

En este post se pretende reducir dimensiones de una cantidad de datos es decir encontrar una transformación en la cuál se represente de mejor manera los datos reduciendo así su dimensión

Como ya es costumbre primero importamos las librerías necesarias

import seaborn as sb 
import numpy as np
from sklearn.decomposition import PCA

Importemos los datos

iris=sb.load_dataset('iris')
X_iris=iris.drop('species',axis=1)
y_iris=iris['species']

Definimos el modelo

ACP=PCA(n_components=2)

Ajustamos el modelo

ACP.fit(X_iris)

PCA(n_components=2)

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

transformamos la data

X_2d=ACP.transform(X_iris)

Realizamos una representación gráfica

#para facilitarnos el trabajo vamos a extender sobre el data iris los nuevos ejes encontrados
iris['PCA1']=X_2d[:,0]
iris['PCA2']=X_2d[:,1]
sb.lmplot(x="PCA1",y="PCA2",hue='species',data=iris,fit_reg=False)