Choisir les composantes avec un graphique des éboulis
Conserver suffisamment de variance expliquée
Choisir les composantes avec un graphique des éboulis est une leçon Data Science Academy gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Data Science Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Data Science Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
How Many to Keep?
PCA can hand you dozens of components, but you only want the useful few. The real skill is choosing how many to keep.
Meet the Scree Plot
A scree plot charts each component against the variance it explains, so you can see importance drop off at a glance.
Look for the Elbow
Variance falls fast then levels into a flat tail. The bend, called the elbow, marks where extra components stop paying off.
Plot the Ratios
Fit PCA with all components, then plot explained_variance_ratio_ to draw the curve and spot that elbow.
import matplotlib.pyplot as plt
plt.plot(pca.explained_variance_ratio_)Cumulative Variance
Add the ratios up as you go to get cumulative variance, showing the total information kept by the first k components.
import numpy as np
cum = np.cumsum(pca.explained_variance_ratio_)Pick a Threshold
A common rule is to keep enough components to reach a target, like 95 percent of total variance retained.
Let scikit-learn Choose
Pass a fraction as n_components and scikit-learn keeps just enough components to hit that explained-variance target.
from sklearn.decomposition import PCA
pca = PCA(n_components=0.95).fit(X)The Kaiser Rule
Another guide, the Kaiser rule, keeps components whose eigenvalue exceeds one, meaning they explain more than a single feature would.
Balance the Trade-Off
Fewer components mean simpler, faster models but more lost detail. Choosing k is always a trade-off between size and fidelity.
Validate Downstream
The best k is the one that helps your real task. Try a few values and compare model scores with cross-validation.
Beware Tiny Components
Components past the elbow often capture mostly noise. Keeping them rarely helps and can quietly hurt your model.
Quick Check
The scree plot points you to one telltale spot.
Recap
Use a scree plot, elbow, or a cumulative-variance threshold to keep just enough components, then validate k downstream. 🎯
Questions Fréquemment Posées
La leçon « Choisir les composantes avec un graphique des éboulis » est-elle gratuite ?
Oui — le texte complet de « Choisir les composantes avec un graphique des éboulis » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Data Science Academy, passe à CoddyKit PRO. Le cours Data Science Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Choisir les composantes avec un graphique des éboulis » ?
Conserver suffisamment de variance expliquée Tu pratiques Data Science Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Data Science Academy ?
Aucune expérience préalable n'est requise. Data Science Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.
Combien de temps prend la leçon « Choisir les composantes avec un graphique des éboulis » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Data Science Academy ?
Oui. Chaque leçon Data Science Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Le fléau d’un trop grand nombre de variables
- Comment PCA trouve ses composantes
- Mettre à l’échelle avant d’ajuster PCA
- Choisir les composantes avec un graphique des éboulis