Please enable JavaScript.

Coggle requires JavaScript to display documents.

3.11 Máquinas de Soporte Vectorial (SVM). 3.12 Análisis no…

- - - - Reduce la dimensionalidad de los datos proyectándolos en un conjunto de nuevas variables (componentes principales) que explican la mayor parte de la variabilidad.
      - from sklearn.decomposition import PCA
        
        import matplotlib.pyplot as plt
        
        Cargar conjunto de datos de ejemplo (Iris)
        
        X = iris.data
        
        Aplicar PCA
        
        pca = PCA(n_components=2)
        
        principal_components = pca.fit_transform(X)
        
        Visualización
        
        plt.scatter(principal_components[:, 0], principal_components[:, 1], c=iris.target)
        
        plt.xlabel('Componente Principal 1')
        
        plt.ylabel('Componente Principal 2')
        
        plt.title('PCA del Conjunto de Datos Iris')
        
        plt.show()
- - - - from sklearn.cluster import DBSCAN
      - Cargar conjunto de datos de ejemplo (Iris)
      - X = iris.data
      - Aplicar DBSCAN
      - dbscan = DBSCAN(eps=0.5, min_samples=5)
      - dbscan.fit(X)
      - labels = dbscan.labels_
      - Visualización
      - plt.scatter(X[:, 0], X[:, 1], c=labels)
      - plt.xlabel('Característica 1')
      - plt.ylabel('Característica 2')
      - plt.title('DBSCAN Clustering del Conjunto de Datos Iris')
      - plt.show()