#!/usr/bin/env python
# coding: utf-8

# PCA
# ==

# In[1]:


import sklearn
import mglearn
from sklearn import datasets
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
iris = datasets.load_iris()
print(iris.feature_names)

datos = iris.data
mglearn.plots.plot_pca_illustration()

pca=PCA(n_components=2)
pca.fit(iris.data)

transformada=pca.transform(datos)
print(iris.data.shape)
print(transformada.shape)


# In[2]:


mglearn.discrete_scatter(transformada[:,0], transformada[:,1], iris.target)
plt.legend(iris.target_names, loc='lower right')
plt.xlabel('Componente pca 1')
plt.ylabel('Componente pca 2')


# Comparamos los datos transformados por pca
# ==

# In[3]:


import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn import datasets
from sklearn import metrics
iris = datasets.load_iris()
datos = iris.data
etiquetas = iris.target
 
k_means = KMeans(n_clusters=3, max_iter=2000) 
k_means.fit(transformada)
 
predicciones=k_means.predict(transformada)
 
score=metrics.adjusted_rand_score(etiquetas, predicciones)

print(score)
plt.scatter(transformada[:, 0], transformada[:, 1], c=predicciones)

plt.show()


# In[4]:


from sklearn.preprocessing import MinMaxScaler
escala=MinMaxScaler()
escala.fit(iris.data)
escalada=escala.transform(iris.data)
pca.fit(escalada)
transformada=pca.transform(escalada)
mglearn.discrete_scatter(transformada[:,0], transformada[:,1], iris.target)
plt.legend(iris.target_names, loc='lower right')

plt.xlabel('Componente pca 1')
plt.ylabel('Componente pca 2')


# In[5]:


from sklearn.preprocessing import StandardScaler
escala=StandardScaler()
escala.fit(iris.data)
escalada=escala.transform(iris.data)
pca.fit(escalada)
transformada=pca.transform(escalada)
mglearn.discrete_scatter(transformada[:,0], transformada[:,1], iris.target)
plt.legend(iris.target_names, loc='lower right')

plt.xlabel('Componente pca 1')
plt.ylabel('Componente pca 2')