1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Machine Learning for Finance in Python
Connected

Cvičení

Prozkoumej korelace

Než natrénujeme náš první model strojového učení, podívejme se na korelace mezi příznaky a cílovými proměnnými. Ideálně chceme, aby byly korelace mezi příznaky a cíli co největší (blízko 1 nebo -1). Jejich zkoumání nám pomůže příznaky doladit tak, aby korelace byla co nejvyšší – například úpravou argumentu timeperiod ve funkcích talib. Zároveň tak snadno odhalíme příznaky, které s cílem nesouvisí, a můžeme je vyřadit.

Korelační matici nejsnáze zobrazíme pomocí funkce heatmap() z knihovny seaborn. Jako první argument přijímá korelační matici a nabízí řadu dalších možností. Všimni si parametru annot – ten ti umožní zapnout popisky přímo v grafu.

Pokyny 1/2

undefined XP
    1
    2
  • Vykresli heatmapu korelační matice (corr), kterou jsme vypočítali v předchozím cvičení (knihovna seaborn je importována jako sns).
  • Zapni popisky pomocí parametru annot=True funkce sns.heatmap(). Velikost písma je již nastavená pomocí annot_kws = {"size": 14}.
  • Zobraz graf pomocí plt.show().